[논문 리뷰] An Application of Backpropagation Artificial Neural Network Method for Measuring The Severity of Osteoarthritis

Dian Pratiwi, Diaz D. Santika외 1명|arXiv (Cornell University)|2013. 09. 29.

Medical Imaging and Analysis참고 문헌 3인용 수 16

한 줄 요약

이 연구는 손과 손목 X선 영상에서 관절염의 중증도를 분류하기 위해 역전파 인공신경망(BP-ANN) 시스템을 제안한다. 이 방법은 영상 전처리, 통계적 무늬 특징, 그리고 132개의 정규화된 입력 벡터를 사용하여 훈련 데이터에서 100% 정확도, 합성 학습/비학습 데이터에서 80% 정확도를 달성하며, 자동 관절염 중증도 평가의 잠재력을 보여준다.

ABSTRACT

The examination of Osteoarthritis disease through X-ray by rheumatology can be classified into four grade of severity. This paper discusses about the application of artificial neural network backpropagation method for measuring the severity of the disease, where the observed X-ray range from wrist to fingers. The main procedures of system in this paper is divided into three, which are image processing, feature extraction, and artificial neural network process. First, an X-ray image digital (200x150 pixels and greyscale) will be thresholded, then extracted features based on probabilistic values of the color intensity of seven bit quantization result, and statistical textures. That feature values then will be normalizing to interval [0.1, 0.9], and then the result would be processing on backpropagation artificial neural network system as input to determine the severity of disease from an X-ray had input before it. From testing with learning rate 0.3, momentum 0.4, hidden units five pieces and about 132 feature vectors, this system had had a level of accuracy of 100% for learning data, 80% for learning and non-learning data, and 66.6% for non-learning data

연구 동기 및 목표

• 의료 영상과 기계학습을 활용하여 관절염 중증도 평가를 자동화하는 시스템을 개발하기 위해.
• rheumatologists가 수행하는 관절염 방사선 등급 평가의 주관성과 변동성을 해결하기 위해.
• 인공신경망을 적용하여 질병 중증도 분류의 일관성과 객관성을 향상시키기 위해.
• 손과 손목의 X선 영상에 대해 역전파 신경망의 성능을 평가하기 위해.
• 무늬 및 강도 기반 특징을 사용한 관절염 중증도 예측의 가능성을 탐색하기 위해.

제안 방법

• 200×150 픽셀, 회색조 영상의 X선 영상은 대비를 향상시키기 위해 임계치 처리를 통해 전처리되었다.
• 특징 추출은 일곱 비트로 양자화된 픽셀 강도에서의 확률적 강도 값과 통계적 무늬 특징을 계산하여 수행되었다.
• 신경망 수렴을 향상시키기 위해 추출된 특징들이 [0.1, 0.9] 범위로 정규화되었다.
• 학습률 0.3과 동력 0.4를 사용하여 다섯 개의 은닉 유닛을 가진 역전파 신경망이 훈련되었다.
• 시스템은 네 단계의 관절염 중증도를 예측하기 위해 132개의 특징 벡터를 입력으로 사용하였다.
• 일반화 성능 평가를 위해 훈련 데이터 및 비학습 데이터 하위집합 모두에서 네트워크를 훈련 및 테스트하였다.

실험 결과

연구 질문

• RQ1 역전파 신경망은 손과 손목 X선 영상에서 관절염 중증도를 정확하게 분류할 수 있는가?
• RQ2 이 시스템은 훈련 데이터와 비학습 테스트 데이터에서 각각 어떻게 성능을 발휘하는가?
• RQ3 특징 정규화와 무늬 기반 입력이 분류 정확도에 어떤 영향을 미치는가?
• RQ4 ANN은 관절염의 방사선 평가에서 주관성을 얼마나 줄일 수 있는가?
• RQ5 학습률과 동력 설정이 모델의 수렴과 성능에 어떤 영향을 미치는가?

주요 결과

• 시스템은 훈련 데이터셋에서 100% 정확도를 달성하여 강력한 학습 능력을 보였다.
• 학습 및 비학습 데이터를 모두 테스트한 결과 80% 정확도를 기록하여 중간 수준의 일반화 능력을 보였다.
• 비학습 데이터만으로는 66.6%의 정확도를 달성하여 과적합 또는 새로운 케이스에 대한 일반화 능력이 제한되어 있음을 시사했다.
• [0.1, 0.9]로의 특징 정규화가 역전파 알고리즘의 훈련 안정성과 수렴을 향상시켰다.
• 일곱 비트 강도 양자화와 통계적 무늬 특징의 사용이 ANN에 충분한 분류 능력을 제공하였다.
• 다섯 개의 은닉 유닛과 최적화된 학습 파rameter를 가진 모델은 자동 관절염 중증도 분류의 실현 가능성을 보였다.