영상처리 및 딥러닝 의미론적 분할 방법을 이용한 각막궤양 영역 검출 :Corneal ulcer region detection using image processing and deep learning with semantic segmentation method

임진혁

추천

검색

자료유형: 학위논문

저자정보: 임진혁 (단국대학교, 단국대학교 대학원)

지도교수: 김대원

발행연도: 2019

저작권: 단국대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (2)

2022

딥러닝과 의미론적 분할 기법을 이용한 각막궤양 영역 검출

임진혁 , 김대원 한국컴퓨터정보학회논문지 2022.09 학술저널

2019

영상처리 및 딥러닝 의미론적 분할 방법을 이용한 각막궤양 영역 검출

임진혁 컴퓨터학과 2019.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 각막표피상에 발생하는 궤양을 촬영한 영상을 이용해 영상처리에 기반한 방법과 의미론적 분할 방법을 통해 궤양영역을 픽셀단위로 검출하는 알고리즘을 제안한다. 전통적으로 행해지던 각막궤양의 측정방법은 촬영된 영상을 보고 의료진의 주관적인 판단에 의해 수동적으로 이루어졌기 때문에 정확하고 객관적인 진료의 근거자료를 제시하기 어렵다는 문제점이 있다. 이러한 문제를 해결하기 위해 본 논문에서는 영상처리에 기반한 방법과 딥러닝에 기반한 방법을 이용해 다양한 환경에서 적용이 가능하며 사용자의 개입이 최소화된 각막궤양 분할 검출 방법을 제안한다. 영상처리 방법의 경우 사용자에 의해 정해진 관심영역에 영상처리 기반의 전처리과정을 거친 후 자동으로 선정된 기준점과 임계값에 의한 Flood-fill방법으로 궤양을 픽셀단위로 검출하는 방법을 제안한다. 딥러닝 방법의 경우 의미론적 분할 방법중 가장 높은 성능을 보이는 DeepLab 모델을 기반으로 하여 특징을 검출하는 검출기를 각각 ResNet과 Xception으로 가지는 여러 모델을 통해 각막궤양 검출의 자동화를 제안한다. 또한 검출 정확도를 향상시키는 방법으로 객체와 배경간 비율 조정방법을 제안하였으며 본 논문에서 제안한 알고리즘의 검증과 비교분석을 위해 몇가지 실험을 진행하였다.
실험은 각 방법에 대해 각막궤양이 나타나 있는 영상 60장과 95장의 데이터를 활용하였으며 성능을 평가하기위한 지표로 다이스 유사계수를 활용하였다. 먼저 영상처리에 기반한 방법을 실험한 결과 제안한 방법이 비교군으로 설정한 사용자에 의해 기준점이 정해지는 기존의 Flood-fill 방법과 Otsu 임계값에 의한 분할, Active Contouring without Edge 방법에 비해 약 6%에서 10% 높은 약 85%의 검출 정확도를 보였다. 의미론적 분할 방법의 경우 검출기가 Xception 네트워크로 설정된 모델보다 ResNet으로 설정된 모델의 검출 정확도가 약 6%에서 10% 높은 것을 확인하였으며 객체와 배경간 비율이 조정된 데이터를 이용한 실험에서 ResNet을 검출기로 설정하였을 때 약 82%정도의 높은 정확도를 보이며 궤양검출의 자동화가 가능함을 확인하였다. 본 연구를 통해 각막궤양 진료과정에서 진료환경에 따라 반자동 또는 자동방법을 통해 높은 정확도로 궤양영역을 검출가능함을 확인하였으며 특히 의미론적 분할 방법의 경우 주로 물체검출에 활용되던 모델을 궤양등 형태가 일정하지 않은 객체를 검출하는데에도 유의미한 결과를 보여줌을 확인하였다.

In this paper, we propose an algorithm that detects the ulcer area on a pixel basis by image processing based method and semantic segmentation method on taken image of corneal ulcer which onset in corneal epidermis.
Normally measurement of corneal ulcer has been problematic in that it is difficult to present accurate and objective medical data because it was manually performed by subjective judgment of the medical staff. In order to solve this problem, we propose a corneal ulcer segmentation detection method that can be applied in various environments and be minimized user intervention using the image processing based method and the deep learning based method. In the case of image processing method, we propose method that detect ulcer area basis on pixel by Flood-fill method using seedpoint and threshold value which automatically selected after preprocessing based on image processing for Region of Interest which selected by user. In the case of Deep Learning method, we propose automation of corneal ulcer detection through various models which has Xception and ResNet as Detector, based on DeepLab model which has the highest performance among semantic segmentation models. In addition, we propose a method to improving the detection accuracy by adjust the ratio between object and background. In this paper, we have conducted several experiments to verify and compare the proposed algorithm.
In the experiment, data of 60 and 95 images with corneal ulcers were used for each method and Dice Similarity Coefficient were used as an index to evaluate the performance. First of all, the result of experiment for the method based on image processing, Proposed method showed an accuracy of 85% which higher 6~10% than comparative group like conventional Flood-fill method having user-selected seedpoint, Otsu''s threshold segmentation method or Active Contour without Edge method. In the case of the semantic segmentation method, the result of detection accuracy of model which has ResNet as detector is higher 6~10% than Model which has Xception as detector, and the case of experiment using data which adjusted for ratio between object and background, model which has ResNet as detector shows 82% accracy and it confimed that it is possible to automation of corneal ulcer detection.
Through this study, we confirmed that it is possible to detect ulcer area on high accuracy by semi-automatical or automatical method in during corneal ulcer treatment according to medical environment and especially, in the case of semantic segmantation method, we confirmed that the model which normally used for object detection also showes reasonable results to detect formless object such as ulcers.

Ⅰ. 서론
Ⅱ. 선행 연구
1. 영상처리 방법을 이용한 의료영상 분할
2. Semantic Segmentation 알고리즘과 의료영상 분할
3. 각막궤양 분할과 분석
Ⅲ. 영상분할을 통한 각막궤양 검출
1. 검출 알고리즘 개요
2. 영상처리 방법에 기반한 궤양 검출
2.1 전처리 과정
2.1.1 회색조 변환 (Grayscale Transformation)
2.1.2 히스토그램 평활화 (Histogram Equalization)
2.1.3 중간값 필터(Median Filter)
2.1.4 감마 보정(Gamma Correction)
2.2 영상 분할 알고리즘
2.2.1 Otsu 알고리즘을 통한 임계값 설정
2.2.2 Flood-fill 알고리즘
2.2.3 랜덤 기준점 선정
2.3 후처리 과정
2.3.1 Hole Filling
2.3.2 Morphology processing & Edge Detection
3. 의미론적 분할 방법에 의한 궤양 검출
3.1 DeepLab 모델
3.1.1 ResNet
3.1.2 Xception & Depthwise Separable Convolution
3.1.3 Crop & Resize
Ⅳ. 실험 및 결과
1. 실험 개요
2. 영상처리 방법에 대한 실험 및 결과
3. 의미론적 분할 방법에 대한 실험 및 결과
Ⅴ. 결론
참고문헌
영문요약

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)