Name Last Update
면담보고서 Loading commit data...
보고서 Loading commit data...
주간보고서 Loading commit data...
README.md Loading commit data...

X-ray 이미지 및 딥러닝을 이용한 병변 인식

1. 배경

흉부의 질환을 진단하기 위한 검사는 대표적으로 CT가 있다. 이는 흉부 병변의 정확한 진단과 위치 및 크기를 판단함에 있어 용이하게 사용되지만 검사 비용과 방사선 피폭 등의 단점이 있다. 또한 촬영 이미지로부터 병변을 찾아내기 위해서는 숙련된 의사가 어느정도의 시간 동안 직접 사진을 보고 분석하며 판단해야 한다.

최근 인공지능 기술이 급부상하면서 인공신경망을 사용한 의료영상 처리에 대한 관심 또한 커져가고 있다. 이미 딥러닝을 이용한 신경망은 의료영상 분석 분야에 적용하여 효율성이 증명되었다. 의료영상을 이해하는 면에서 최근의 기계 학습의 발전은 Deep Learning에서 의료영상의 패턴을 식별 및 분류 연구에 기여하고 있다. 의료영상 분석에 인공신경망을 기반으로 하는 CNN(Convolutional Neural Network) 알고리즘이 본격적으로 사용되기 시작하면서 다양한 질환 분석 연구 사례가 급증하고 있다. 이러한 연구 등으로 인공지능 기술을 영상의학 검사의 영상 분석에 도입한다면 의료진 부족으로 인한 물리적인 시간 문제를 해결할 수 있을 것으로 기대된다.

2.목표

최우선적 목표는 직접 설계한 deep learning network model에 NIH (chestX-ray 14) dataset을 학습시키고 14개의 병증에 대한 multi-classification 을 성공시키는 것이다. 만약 multi-classification에 한계가 발견될 시, 특정 병증에 대해서 positive labelling을 하고, 이외의 모든 상태에 대해 negative labelling을 적용함으로써 필터링 할 수 있는것을 목표로 한다. 이 과정에서 NIH dataset을 학습시키기 적절한 모델을 연구해야 하며, 상대적으로 적은 특정 병증의 데이터 양을 극복하기 위해 효과적인 data augmentation 기법의 제안이 필요하다.


프로젝트 활동 내용 및 역할 분담

1. Data augmentation

      강태구

      박장선

2. Making deep learning network model

      박기범

      손주혜

문서 및 보고서

- 팀원별 프로젝트활동 주간보고서

- 면담 및 멘토보고서

- 보고서모음 (기초조사서, 중간보고서, 최종보고서)