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
- 문태섭
- 발행연도
- 2021
- 저작권
- 성균관대학교 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
딥뉴럴 네트워크가 의료 분야에 미치는 영향이 급속히 커지고 있다. 실제로 의료 분야에 딥뉴럴 네트워크가 유용하게 쓰이기 위해서는 모델의 높은 정확도가 필수적이다. 하지만 의료 데이터는 다른 분야의 데이터보다 양이 적기 때문에 학습데이터에 모델이 쉽게 과적합하는 경향이 있다. 따라서 모델을 일반화(generalize)하기 위한 방법이 필요하다. 이를 해결할 수 있는 방법 중에 하나로 제시되는 것이 Interpretation Regularization (IR) 기술이다. IR 알고리즘은 사전 지식을 모델에 주입하여 모델이 일반화된 학습을 하도록 한다. 이 알고리즘은 XAI 기술을 이용해 모델의 예측에 많이 기여한 입력 특징(feature)을 구하고 그 특징이 사전 지식으로부터 얻은 중요한 특징과 일치하도록 학습을 규제한다. 이렇게 모델에 사전 지식이 주입되고 모델은 일반화되어 처음 보는 입력에 대한 정확도가 향상된다.
IR 알고리즘을 이용하면 의료 데이터에서 모델이 과적합하는 문제를 막을 수 있다고 생각할 수 있지만 그렇게 단정하기는 어렵다. 아직 IR 알고리즘이 의료 데이터가 흔히 가지는 어려운 환경에서 분류 모델의 정확도를 향상시킬 수 있는지에 대한 연구가 충분히 진행되지 않았기
때문이다. 본 연구에서는 의료 영상 분류 작업에 IR 이 효과적인지를 검증하기 위해 의료 데이터가 흔히 가지는 두가지 환경을 설정하고 IR 알고리즘들의 분류 성능을 측정했다. 첫번째로 데이터의 개수가 적으면서 모델의 과적합을 유도하는 특징이 입력에 삽입된 데이터셋으로
IR 알고리즘들의 정확도를 측정했다. 둘째로 분할 라벨의 개수가 적은 환경에서 IR 알고리즘들의 정확도를 측정했다. 분할 라벨은 IR 알고리즘이 중요한 특징의 위치 정보를 모델에 주입할 때 사용된다. 하지만 분할 라벨을 만드는데 시간과 비용이 많이 필요하기 때문에 분할 라벨의 양이 적은 환경에서도 IR 알고리즘이 충분히 높은 분류 성능을 가지는지 확인할 필요가 있다. 그리고 대표적인 5 개의 XAI 기술을 IR 에 적용해보고 어떤 XAI 기술을 사용했을 때 높은 정확도를 얻을 수 있는지 실험했다. 이 실험들을 진행한 결과 IR 알고리즘 중에서 Grad-CAM 을 사용하는 IRGrad-CAM 이 일반적으로 높은 정확도를 가지는 것을 발견했다. 또한 IRLRP, IR-Grad-CAM, IR-IG 가 나머지 알고리즘들에 비해 과적합을 효율적으로 막아낸다는 것을 보였다. 그리고 분할 라벨의 개수가 적은 환경에서 실험한 결과 IR 알고리즘은 분할 라벨을 입력 데이터 개수의 30%-50% 정도만 사용해도 전부 사용했을 때의 정확도를 거의 유지했다는 것을 발견했다. 의료 분할 라벨을 만드는데 시간과 비용이 많이 발생하는데 이런 IR 의 특성은 IR 이 의료 영상 분류 작업에 매우 유용하게 사용될 수 있다는 것을 보여준다.
IR 알고리즘을 이용하면 의료 데이터에서 모델이 과적합하는 문제를 막을 수 있다고 생각할 수 있지만 그렇게 단정하기는 어렵다. 아직 IR 알고리즘이 의료 데이터가 흔히 가지는 어려운 환경에서 분류 모델의 정확도를 향상시킬 수 있는지에 대한 연구가 충분히 진행되지 않았기
때문이다. 본 연구에서는 의료 영상 분류 작업에 IR 이 효과적인지를 검증하기 위해 의료 데이터가 흔히 가지는 두가지 환경을 설정하고 IR 알고리즘들의 분류 성능을 측정했다. 첫번째로 데이터의 개수가 적으면서 모델의 과적합을 유도하는 특징이 입력에 삽입된 데이터셋으로
IR 알고리즘들의 정확도를 측정했다. 둘째로 분할 라벨의 개수가 적은 환경에서 IR 알고리즘들의 정확도를 측정했다. 분할 라벨은 IR 알고리즘이 중요한 특징의 위치 정보를 모델에 주입할 때 사용된다. 하지만 분할 라벨을 만드는데 시간과 비용이 많이 필요하기 때문에 분할 라벨의 양이 적은 환경에서도 IR 알고리즘이 충분히 높은 분류 성능을 가지는지 확인할 필요가 있다. 그리고 대표적인 5 개의 XAI 기술을 IR 에 적용해보고 어떤 XAI 기술을 사용했을 때 높은 정확도를 얻을 수 있는지 실험했다. 이 실험들을 진행한 결과 IR 알고리즘 중에서 Grad-CAM 을 사용하는 IRGrad-CAM 이 일반적으로 높은 정확도를 가지는 것을 발견했다. 또한 IRLRP, IR-Grad-CAM, IR-IG 가 나머지 알고리즘들에 비해 과적합을 효율적으로 막아낸다는 것을 보였다. 그리고 분할 라벨의 개수가 적은 환경에서 실험한 결과 IR 알고리즘은 분할 라벨을 입력 데이터 개수의 30%-50% 정도만 사용해도 전부 사용했을 때의 정확도를 거의 유지했다는 것을 발견했다. 의료 분할 라벨을 만드는데 시간과 비용이 많이 발생하는데 이런 IR 의 특성은 IR 이 의료 영상 분류 작업에 매우 유용하게 사용될 수 있다는 것을 보여준다.
목차
제1장 서론 1제2장 관련 연구 4제1절 XAI 41. Simple Gradient 42. LRP (Layer-wise Relevance Propagation) 53. Grad-CAM 64. Integrated Gradient (IG) 85. SmoothGrad (SG) 9제2절 Interpretation Regularization (IR) 101. 마스크를 사용하는 IR 102. 마스크를 사용하지 않는 IR 11제3장 구현 방법 12제4장 실험 15제1절 실험 설정 151. 공통 설정 152. Decoy Human Against Machine10000 (Decoy HAM10000) 데이터셋 163. Medical Segmentation Decathlon (MSD) 간 & 비장 데이터셋 184. 분할 라벨의 양에 따른 분류 성능 측정 실험 19제2절 실험 결과 211. Decoy HAM10000 데이터셋 212. MSD간 & 비장 데이터셋 233. 분할 라벨의 양에 따른 분류 성능 측정 실험 254. 기존 IR 알고리즘과 비교 275. 해석 계층 선정 실험 29제5장 결론 30참고문헌 31Abstract 34
최근 본 자료
댓글(0)
0