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
- 조현종
- 발행연도
- 2020
- 저작권
- 강원대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
한국에서 위암은 세계 암 발생률 통계에서 남녀 1위를 차지하고 있는 가장 많이 발생하는 암이다. 위암은 일반적으로 의사가 육안으로 내시경 장비를 사용하여 진단하는 것이 대부분이다. 하지만 위암은 초기의 증상이 없는 것이 특징이기 때문에 위암의 원인이 되는 위의 병변인 위염, 위궤양, 위종양들은 조기의 진단하여 치료하는 것이 위암을 예방하는 데에 가장 좋은 방법이다. 하지만 내시경 검사는 의사가 육안에 의존하여 진단하기 때문에 다소 작은 병변을 놓치는 오진과 의사마다 주관적인 진단을 하기 때문에 숙련도에 따른 진단의 차이가 있다는 문제가 있다. 이를 컴퓨터 보조 진단 시스템(Computer-aided Diagnosis System:CADx)을 통하여 해결 할 수 있다. 컴퓨터 보조 진단 시스템은 의사를 보조하여 2중 진단을 효과를 가지기 때문에 위의 질환을 보다 더 정확하게 진단하는 데에 도움을 줄 수 있다. 최근의 딥러닝을 통하여 내시경 영상에 대하여 컴퓨터 보조 진단 시스템 연구가 활발히 진행 되고 있다. 본 연구에서 개발한 CADx 시스템은 Inception 모듈을 기반으로 한 GoogleLeNet을 딥러닝 네트워크를 사용하여 컴퓨터 보조 진단 시스템을 설계하였다. 병변에 초점을 맞춘 학습을 하기 위하여 네트워크 입력 전 단계에서 특징이 다른 2개의 분할 알고리즘인 Fast and Robust Fuzzy-C Means(FRFCM)와 Simple Linear Iterative Clustering(SLIC) 슈퍼픽셀 2개의 분할 알고리즘을 통하여 영상을 분할한 뒤에 전문의의 Ground-truth를 결합하여 학습 데이터를 재구성하여 학습을 진행하였다. FCM 클러스터링의 문제점을 보완하여 모폴로지 연산을 통한 이미지 재구성을 기반을 둔 FRFCM 알고리즘은 훨씬 빠르고 세세한 분할을 하는 특징이 있으며, SLIC 슈퍼픽셀 알고리즘은 일반적인 K-menas 클러스터링 방법과 영역을 나누는 슈퍼픽셀 결합해 보다 효율적으로 분할하는 특징이 있다. 이 두 개의 특징이 다른 분할 알고리즘을 적용하여 의사의 Ground-Truth와 결합하여 병변에 초점을 맞춘 학습을 하여 컴퓨터 보조 진단 시스템을 제안하였고, 각각의 분할 알고리즘을 적용한 것과 분할 알고리즘을 적용하지 않은 것과의 Roc Curve로 성능을 나타내어 서로 비교하여 각 알고리즘이 적용하였을 때의 성능을 분석하였다.
목차
Ⅰ. 서론 1Ⅱ. 본론 61. 방법(Method) 61) 데이터(Data) 62) 딥러닝 네트워크(Deep Learning Network) 113) 분할 알고리즘(Segment Algorithm) 134) Fast and Robust Fuzzy C-Means(FRFCM) 155) Simple Linear Iterative Clustring(SLIC) superpixel 182. 학습 및 테스트(Training and Test Process) 201) 학습 및 테스트(Training and Test Process) 222) Abnormal Score 23Ⅲ. 결과 23Ⅳ. 결론 27Ⅴ. 참고문헌 29□ Abstract 31
최근 본 자료
댓글(0)
0