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
- 이정진
- 발행연도
- 2021
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (2)
- 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 3차원 크기의 복부 CT 영상으로부터 신장과 신장에서 발생한 종양을 컨볼루션 신경망 모델을 통해 자동으로 분할하는 방법을 제안한다. MICCAI 주관 그랜드 챌린지인 KiTS19 데이터셋을 사용하여 복부 CT 영상에서 신장과 신장 종양을 컨볼루션 신경망에 학습시킬 수 있으며, 컨볼루션 신경망은 구조에 따라 이에 대한 분류 뿐만 아니라 시멘틱 분할이 가능하다. 3차원 영상의 분할을 위해서 3차원 Encoder-Decoder 컨볼루션 신경망 구조로 되어있는 U-Net 모델을 기반으로 여러 방식의 Skip Connection을 활용하여 구성한다. 또한, 다양한 데이터가 충분히 있어야 딥러닝 모델 학습이 잘 되기 때문에 전처리로 회전 변환, Elastic Deformation 등의 다양한 변환으로 데이터를 증강한다. 마지막으로 의료 영상 분할에서 자주 나타나는 클래스 불균형 문제를 해결하기 위한 손실 함수를 제시한다. 본 논문의 실험에서 제안하는 방법으로 7.28%의 성능 향상을 보였으며, 추후 이를 발전시켜 의료 분야에서 컴퓨터 보조 진단의 자동화 도구로 응용하여 생산성을 향상 시킬 수 있다.
목차
제 1 장 서론 1제 2 장 이론적 배경 및 관련 연구 62.1 CT 영상 데이터 62.2 의료 영상처리 과제 현황 72.3 관련 연구 92.3.1 딥러닝의 발전과 원리 92.3.2 영상 분할과 딥러닝 15제 3 장 제안 방법 193.1 KiTS19 챌린지 영상 데이터셋 193.2 전처리 등에서의 데이터 증강과 정규화 223.2.1 과적합 방지를 위한 데이터 증강 기법 223.2.2 그래디언트 소실 및 폭주를 위한 정규화 기법 263.3 U-Net 아키텍처 기반 딥러닝 학습 293.4 평가 지표에 따른 손실 함수와 학습 전략 353.4.1 평가 지표와 손실 함수 353.4.2 부가적인 학습 전략 39제 4 장 실험 424.1 실험 환경 424.2 실험 데이터 424.3 제안 방법의 실험 결과 444.3.1 손실 함수에 따른 결과 444.3.2 딥러닝 구조에 따른 결과 484.4 다른 방법과 비교 실험 결과 50제 5 장 결론 54참고문헌 56
최근 본 자료
댓글(0)
0