본문 바로가기
KERD
논문KCI 등재

합성곱 신경망을 이용한 대장내시경 영상 분류

Colonoscopy Image Classification Using Convolutional Neural Networks

이은지|이상웅|박현철|김윤재
한국차세대컴퓨팅학회 (KINGComputing)|2018.02|한국차세대컴퓨팅학회 논문지 (The Journal of Korean Institute of Next Generation Computing)|제14권 제1호|pp. 89-98

0

조회

0

다운로드

7

인용

0

참고문헌

키워드

Neural Network신경망용종선암합성곱PolypAdenomacarcinomaConvolution
주제분류컴퓨터학

초록

대장암 검사의 가장 효과적인 진단 방법은 대장내시경 검사이다. 내시경 검사는 소형 카메라를 통하여 확인되는 대장 내부 영상을 의료인의 육안으로 대장에 돌출한 용종 또는 암으로 성장할 것으로 예측되어지는 용종을 찾아내는방법이다. 사람의 육안을 통하여 검사가 이루어지는 내시경 검사는 컴퓨터의 영상 학습 기술을 통하여 의료인에게도움을 제공할 수 있다. 본 연구에서는 내시경 검사를 보조하기 위하여 정상적인 대장, 선종성 용종, 그리고 선암세 종류로 이루어진 영상 데이터를 분류한다. 제안하는 영상 분류 방법은 심층학습 기반의 영상 분류 기술 중 하나인 합성곱 신경망(Convolutional Neural Networks) 방법을 통한 내시경 영상 분류 방법을 제안한다. 본 연구에서 구성한 합성곱 신경망은 총 34개의 합성곱 계층(Convolution Layer)과 하나의 완전연결계층(Fully Connected Layer)을 이룬다. 실험 결과 총 410개의 테스트 데이터에 대해서 94.39%의 인식률을 보였다.

Abstract

The most effective method of diagnosing colorectal cancer is colonoscopy. colonoscopy is the process of finding protruding or cancerous polyps in a colon via inspection through an internal video of the colon taken with a small camera. The colonoscopy which is usually diagnosed by human visually, can be improved by adapting computer vision learning technology. In this study, classify the images in normal colon, adenomatous polyps, and adenocarcinoma to aid colonoscopy diagnosing. The use of convolutional neural network, one of the image classification techniques based on deep learning, is suggested as the way to classify the colonoscopy images. The convolutional neural network is constructed with 34 convolutional layers and 1 fully-connected layer. The result of this experiment showed a 94.39% accuracy over 410 tests.

참고문헌 (21)

  1. "2016 Cancer Statics"[URL]
  2. L. J. Hixson, "Prospective Study of the Frequency and Size Distribution of Polyps Missed by Colonoscopy", Journal of the National Cancer Institute, 82(22), pp.1769~1772 (1990)[DOI]
  3. G. Litjens, "A Survey on Deep Learning in Medical Image Analysis", Medical Image Analysis, 42, pp.60~88 (2017)[DOI]
  4. 김선범, "딥러닝 알고리즘을 이용한 문서의 인코딩 및 언어 판별", 한국차세대컴퓨팅학회 논문지, 13(5), pp.124~130 (2017), 한국차세대컴퓨팅학회
  5. 울라 아민, "Action Recognition in Movie Scenes using Deep Features of Keyframes", 한국차세대컴퓨팅학회 논문지, 13(3), pp.7~14 (2017), 한국차세대컴퓨팅학회
  6. 이여진, "병해충 검색을 위한 이미지 검색 및 인식 통합 시스템", 한국차세대컴퓨팅학회 논문지, 13(4), pp.100~111 (2017), 한국차세대컴퓨팅학회
  7. A. Esteva, "Dermatologist-level Classification of Skin Cancer with Deep Neural Networks", Nature, 542(7639), pp.115~ (2017)[DOI]
  8. V. Gulshan, "Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs", Jama, 316(22), pp.2402~2410 (2016)[DOI]
  9. C. Szegedy, "Rethinking the Inception Architecture for Computer Vision", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.2818~2826 (2016)
  10. J. Antony, "Quantifying Radiographic Knee Osteoarthritis Severity using Deep Convolutional Neural Networ", Pattern Recognition (ICPR), 23rd International Conference on. IEEE, pp.1195~1200 (2016)
  11. H. R. ROTH, "A New 2.5 D Representation for Lymph Node Detection using Random Sets of Deep Convolutional Neural Network Observations", International Conference on Medical Image Computing and Computer-Assisted Intervention, pp.520~527 (2014)
  12. M. Havaei, "Brain Tumor Segmentation with Deep Neural Networks", Medical Image Analysis, 35, pp.18~31 (2016)
  13. S. Pereira, "Brain Tumor Segmentation using Convolutional Neural Networks in MRI Images", IEEE Transactions on Medical Imaging, 35(5), pp.1240~1251 (2016)[DOI]
  14. W. Shen, "Multi-scale Convolutional Neural Networks for Lung Nodule Classification", Inf Process Med Imaging, 9123, pp.588~599 (2015)
  15. Y. Lecun, "Gradient-based Learning Applied to Document Recognition", Proceedings of the IEEE, 86(11), pp.2278~2324 (1998)[DOI]
  16. A. Krizhevsky, "Imagenet Classification with Deep Convolutional Neural Networks", Advances in Neural Information Processing Systems, pp.1097~1105 (2012)
  17. V. Nair, "Rectified Linear Units Improve Restricted Boltzmann Machines", International Conference on Machine Learning, pp.807~814 (2010)
  18. N. Srivastava, "Dropout: A Simple Way to Prevent Neural Networks from Overfitting", The Journal of Machine Learning Research, 15(1), pp.1929~1958 (2014)
  19. K. Simonyan, "Very Deep Convolutional Networks for Large-scale Image Recognition", ICLR, pp.1~14 (2014)
  20. K. He, "Deep Residual Learning for Image Recognition", CVPR, pp.770~778 (2016)
  21. G. Huang, "Densely Connected Convolutional Networks", CVPR (2017)

관련 논문AI추천

내시경의 위암과 위궤양 영상을 이용한 합성곱 신경망 기반의 자동 분류 모델김광기, 김영재, 박예랑, 정준원대한의용생체공학회 · 의공학회지2020 · 제41권 제2호합성곱 신경망을 활용한 위내시경 이미지 분류에서전이학습의 효용성 평가김광기, 김영재, 박동균, 박성진, 정준원대한의용생체공학회 · 의공학회지2018 · 제39권 제5호내시경 촬영 가이드를 위한 CNN기반의 위내시경 이미지 해부학적 분류 모델김윤, 김우진, 남승주, 박정환한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2021 · 제26권 제3호Deep Neural Network-Based Prediction of the Risk of Advanced Colorectal NeoplasiaAhn Kwang-Sung, Cha Jae Myung, Cho Chang Woo, Kim Sangsoo, Kwak Min Seob, Min Jun Ki, Park Dong Il, Park Soo-Kyung, Yang Hyo-Joon거트앤리버 소화기연관학회협의회 · Gut and Liver2021 · 제15권 제1호CNN 기반 위장관 랜드마크 분류기를 이용한 위장관 교차점 추정박예슬, 이광재, 이정원, 임창남, 장현웅한국정보처리학회 · 정보처리학회 논문지2020 · 제9권 제3호데이터 증강을 이용한 의료 이미지 분류 정확도 개선에 관한 연구김민관, 박천호, 이승준, 최정일한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2023 · 제28권 제12호

이 간행물의 다른 논문 (8건)

Analysis on Behavioral Similarity of N-Puzzle with 3n+1 Problem아흐마드 이자즈, 신석주pp. 7-15Application of Image Classification using Machine Learning Technique on Smart Device마누엘 에우제니오 모로초 카얌셀라, 임완수pp. 16-26New Routing Protocols for Reliable Vehicular Wireless Networks Survey라타아이샤액터, 문인규, 권구락pp. 27-39하이브리드 클라우드 구축을 위한 패턴 기반서비스 추천 기법염근혁, 박준석, 윤동규pp. 40-56HMM과 MCSVM 기반 손 제스처 인터페이스 연구고택균, 김태영, 윤민호pp. 57-64
원문 보기