잔류 밀집 네트워크 기반 영상 해상도 향상 전처리 기법을 활용한 X-ray 폐렴 진단 연구
A Study of Pneumonia diagnosis using Image Super-resolution based on Residual Dense Networks
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
2019년 12월부터 전 세계적으로 유행한 코로나바이러스감염증(COVID-19, SARS-CoV-2)에 기인한 폭발적인 전염으로 세계 각국에서 의료체계 붕괴 현상이 나타나고 있다. 이를 극복하기 위한 새로운 수단으로 딥러닝 시스템을 활용한 자동화된 폐렴(Pneumonia) 판독 시스템의 필요성이 제기되고 있다. X-ray 영상 기반 폐렴 진단을 위한 합성곱 신경망(Convolutional Neural Network, CNN)은 학습 데이터에 대한 전처리 과정이 이후 성능에 많은 영향을 미친다. 특히 폐렴 진단을 위한 X-ray 의료영상은 병변에 대한 텍스쳐 정보가 영상 내 국소적 특징을 잡아내는 데 중요한 역할을 하므로, 이와 관련된 데이터 전처리 기법이 상당히 중요하다. 본 연구에서는 폐렴 진단용 의료영상 데이터셋에 영상 해상도 향상(Image Super Resolution, ISR) 기법을 적용하여 모델의 성능이 데이터 전처리의 과정에 따라 어떻게 변화하는지를 살펴보았다. DenseNet 분류기로 입력 데이터셋 영상을 학습하기 전에 원본 데이터셋의 고해상도 영상을 256×256, 700×700, 1000×1000 크기로 줄인 후 잔류 밀집 네트워크(Residual Dense Network, RDN) 기반 영상 해상도 향상 기법을 적용하였다. DenseNet 분류기의 기본 입력 크기인 224×224로 영상 크기를 다시 조절한 뒤 분류기를 학습하였다. 이 과정을 통해 잔류 밀집 네트워크 기반 다양한 고해상도 기법들을 비교 실험하였으며, 그 결과 Noise-Cancel 모델이 원본 영상의 해상도를 2배 키운 영상에 대한 분류기 성능이 83.5602%의 정확도를 보이며 가장 우수한 성능을 나타냈다.
Abstract
Since December 2019, the global medical system has collapsed due to the explosive infection caused by the corona-virus (COVID-19, SARS-CoV-2). As a new approach to overcome this, the need for an automated pneumonia inspection system facilitated by deep learning has been raised. In the convolutional neural network (CNN) for the diagnosis of pneumonia based on X-ray images, the preprocessing of training data has a significant effect on the performance. In particular, in X-ray medical images for pneumonia diagnosis, the texture information on the lesion plays an important role in detecting local features in the image, and thus the data preprocessing technique is very important. In this study, we applied Image Super Resolution techniques to the medical image dataset for pneumonia diagnosis and examined how the model's performance changes according to the process of data preprocessing. Before learning the input dataset image with the DenseNet classifier, the high resolution image of the original dataset is reduced to 256×256, 700×700 and 1000×1000 size, and then Residual Dense Networks based image super resolution techniques were applied. After resizing the image to 224×224, which is the default input size of the DenseNet classifier, the classifier was trained. Through this process, various high-resolution techniques based on the residual dense network were compared. As a result, the Noise-Cancel model showed the best performance with 83.5602% accuracy for the image whose resolution was doubled of the original image.
참고문헌 (28)
- O. Russakovsky, "ImageNet Large Scale Visual Recognition Challenge", International Journal of Computer Vision, 115, pp.211~252 (2015)[DOI]
- 고종민, "MRI를 이용한 치매 진단을 위한 패턴인식 기법의 비교분석", 한국차세대컴퓨팅학회 논문지, 12(4), pp.47~57 (2016), 한국차세대컴퓨팅학회
- 오동건, "3차원 뇌 자기공명 영상의 비지도 학습 기반 비강체 정합 네트워크", 한국차세대컴퓨팅학회 논문지, 15(5), pp.64~74 (2019), 한국차세대컴퓨팅학회[DOI]
- 이민경, "컨볼루션 신경망의 신뢰도 규제를 이용한 CT 영상에서 악성 난소 종양 판별 방법", 한국차세대컴퓨팅학회 논문지, 16(2), pp.80~87 (2020), 한국차세대컴퓨팅학회[DOI]
- (2018)[URL]
- Grand View Research, "Preclinical Imaging Market Analysis By Product Type(Devices:CT, MRI, PET", SPECT, Multi-modal, Optical, Ultra- sound, Photoacoustic(PAT), Reagents and Services) And Segment Forecasts To 2024, 2016
- 2017년 주요 보건의료인력 중장기 수급전망, "한국보건사회연구원", ~ (2017)
- 정규환, "인공지능 기반 의료영상 분석 기술 동향", 주간기술동향, (1863), pp.4~15 (2018), 정보통신기획평가원
- 이경원, "전공의를 위한 흉부X선 사진 판독법", 2013년 대한내과학회 추계학술대회, 85, pp.77~80 (2013)
- C. Dong, "Image Super-Resolution Using Deep Convolutional Networks", IEEE Transactions on Pattern Analysis and Machine Intelligence, 38, pp.295~307 (2016)
- J. Yang, "Image Super-Resolution Via Sparse Representation", IEEE Transactions on Image Processing, 19, pp.2861~2873 (2010)
- G. Huang, "Densely Connected Convolutional Networks", 2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp.2261~2269 (2017)
- Y. Zhang, "Residual Dense Network for Image Super-Resolution", Proc. of IEEE Conf., CVPR (Conference on Computer Vision and Pattern Recognition), pp.2472~2481 (2018)
- Ian J. Goodfellow, "Generative Adversarial Nets", NIPS (2014)
- C. Ledig, "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network", 2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp.105~114 (2017)
- J. Johnson, "Perceptual Losses for Real-Time Style Transfer and Super-Resolution", ArXiv abs, 2016
- O. Stephen, "An Efficient Deep Learning Approach to Pneumonia Classification in Healthcare", Journal of Healthcare Engineering, 2019 (2019)
- T. Rahman, "Transfer Learning with Deep Convolutional Neural Network(CNN)for Pneumonia Detection using Chest X-ray", ArXiv abs, 2020 (2004)
- A. Krizhevsky, "ImageNet classification with deep convolutional neural networks", CACM (2012)
- F. N. Iandola, "SqueezeNet : AlexNet-level accuracy with 50x fewer parameters and <1MB model size", ArXiv abs, 2016
- P. Rajpurkar, "CheXNet : Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning", ArXiv abs, 2017
- I. M. Baltruschat, "Comparison of Deep Learning Approaches for Multi-Label Chest X-Ray Classification", Scientific Reports, 9 (2019)
- T. K. K. Ho, "Multiple Feature Integration for Classification of Thoracic Disease in Chest Radiography", Applied Sciences, 9, pp.4130~ (2019)
- X. Wang, "ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks", ECCV Workshops (2018)
- D. S. Kermany, "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning", Cell, 172, pp.1122~1131. e9 (2018)
- D. S. Kermany, "Labeled Optical Coherence Tomography(OCT)and Chest X-Ray Images for Classification", ~ (2018)
- K. E. Asnaoui, "Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning", ArXiv abs, 2020 (2003)
- E. Agustsson, "NTIRE 2017Challenge on Single Image Super-Resolution:Dataset and Study", 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops(CVPRW), pp.1122~1131 (2017)