지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 조정원
- 발행연도
- 2020
- 저작권
- 제주대학교 논문은 저작권에 의해 보호받습니다.
이용수8
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 의료현장에서는 의료 촬영술의 발전으로 기존의 일반 안저촬영기에서 촬영 이 더욱 간편해지고 촬영 범위가 넓어진 광각 안저촬영기로 교체되고 있다. 그러나 데이터 수집 과정의 어려움으로 인해 현재 대부분 안과 질환 관련 딥러닝 연구는 여전히 기존 일반 안저사진을 기반으로 이루어지고 있다. 딥러닝의 성능은 데이터 수량과 연관이 있어 데이터가 부족한 경우 데이터 증강 을 사용해 데이터를 증폭하여 성능을 향상한다. 데이터 증강에는 이미지에 회전, 반전 등을 적용한 일반적인 데이터 증강 방법이 있으며, GAN을 사용하여 새로운 이미지를 합성하는 방법이 존재한다. GAN은 다양한 모델이 존재하며 각 모델의 성능을 평가하기 어렵다. 모델에 사 용된 데이터 세트가 다르며 적절한 평가 척도가 존재하지 않기 때문이다. 또한 GAN 모델 연구에 사용된 데이터가 실제 합성에 사용되는 데이터의 해상도, 복잡 도를 반영하지 못한다. 따라서 본 논문에서는 다양한 GAN 모델을 이용해 광각 안 저사진을 합성하고 결과를 비교·분석한다. 광각 안저사진은 제주대학병원 안과와 협업을 통해 당뇨망막병증으로 한정 지어 데이터를 수집 및 라벨링하였다. 본 연구에 사용된 GAN 모델은 의료 영상 합성 연구에서 자주 사용되는 DCGAN, WGAN-GP, BEGAN을 이용하였다. 각 모델의 하이퍼 파라미터는 일부는 동일하게 설정하고, 나머지 값들은 모델이 발표된 논문 을 기준으로 설정하였다. 합성된 안저사진은 정성적, 정량적 평가를 진행하였으며, 정성적 평가는 합성 결 과에서 시신경유두, 황반 등의 관찰 가능 여부를 판단하였다. 정량적 평가는 FID와 이미지 품질 평가 척도를 이용하였다. FID의 경우 BEGAN 모델을 이용한 경우 가 장 좋은 평가를 얻었으며, 이미지 품질 평가의 경우 WGAN-GP 모델이 결과가 좋 았다. 정성적 평가와 정량적 평가 후 결과를 비교하였을 때 BEGAN이 가장 적절하 다 판단하였다. 또한, BEGAN의 경우 훈련을 계속 반복하였을 때 실제 안저사진과 비슷한 결과를 얻을 수 있었다. 데이터 세트의 특성에 따라 BEGAN의 하이퍼 파라 미터를 조정한다면 훨씬 더 정교한 결과를 얻을 수 있을 것으로 기대된다.
목차
I. 서론 11. 연구 배경 및 목적 12. 연구 내용 및 방법 2II. 이론적 배경 41. 안저검사와 당뇨망막병증 42. 광각 안저사진 활용 연구 63. 안저사진 합성 연구 8III. 관련 연구 121. GAN 121.1. DCGAN 141.2. WGAN과 WGAN-GP 161.3. BEGAN 172. 평가 척도 19IV. 합성 모델 설계 및 결과 비교 221. 실험 데이터 222. GAN 모델 및 실험 환경 243. 학습 단계별 데이터 분포 변화 284. 합성 결과 비교 364.1. 정성적 평가 364.2. 정량적 평가 39V. 결론 45참고문헌 50Abstract 54부록 56
최근 본 자료
댓글(0)
0