[논문 리뷰] Medical Image Analysis for Detection, Treatment and Planning of Disease using Artificial Intelligence Approaches

Nand Lal Yadav, Satyendra Singh외 2명|arXiv (Cornell University)|2023. 10. 23.

Brain Tumor Detection and Classification인용 수 1

한 줄 요약

이 논문은 흉부 X선 영상의 의미적 분할을 향상시키기 위해 SegNet과 Residual U-Net을 사용한 딥러닝 프레임워크를 제안한다. 16배치 크기와 50에포크로 전처리 및 훈련을 수행한 결과 높은 성능을 기록하였으며, Residual U-Net은 98.64% 정밀도, 97.50% 재현율, 99.01% 검증 정확도를 기록하여 기존 모델을 초월하였다.

ABSTRACT

X-ray is one of the prevalent image modalities for the detection and diagnosis of the human body. X-ray provides an actual anatomical structure of an organ present with disease or absence of disease. Segmentation of disease in chest X-ray images is essential for the diagnosis and treatment. In this paper, a framework for the segmentation of X-ray images using artificial intelligence techniques has been discussed. Here data has been pre-processed and cleaned followed by segmentation using SegNet and Residual Net approaches to X-ray images. Finally, segmentation has been evaluated using well known metrics like Loss, Dice Coefficient, Jaccard Coefficient, Precision, Recall, Binary Accuracy, and Validation Accuracy. The experimental results reveal that the proposed approach performs better in all respect of well-known parameters with 16 batch size and 50 epochs. The value of validation accuracy, precision, and recall of SegNet and Residual Unet models are 0.9815, 0.9699, 0.9574, and 0.9901, 0.9864, 0.9750 respectively.

연구 동기 및 목표

• 흉부 X선 영상의 자동 분할을 위한 AI 기반 프레임워크 개발을 통해 조기 질환 탐지 지원.
• SegNet과 Residual U-Net 모델이 X선 영상의 병변 영역을 분할하는 데 있어 성능 평가.
• 기존 접근 방식과의 비교를 통해 표준 분할 지표를 사용한 모델 성능 평가.
• 모델 일반화 및 정확도 향상을 위한 훈련 초기화수치 최적화(배치 크기 = 16, 에포크 수 = 50)

제안 방법

• 모델 입력 전 노이즈 감소 및 특징 강화를 위한 X선 영상 전처리 및 정제.
• 폐 영역의 의미적 분할을 위한 SegNet 및 Residual U-Net 아키텍처 구현.
• 수렴성 및 성능 최적화를 위한 16의 배치 크기와 50에포크로 모델 훈련.
• 손실, Dice 계수, Jaccard 계수, 정밀도, 재현율, 이진 정확도 및 검증 정확도 등 다양한 지표를 사용한 평가.
• 포괄적인 모델 평가를 위한 혼동 행렬 및 AUC-ROC 사용.
• Chavan 등 [26]의 이전 연구 결과와의 비교를 통해 성능 향상 검증.

실험 결과

연구 질문

• RQ1 SegNet과 Residual U-Net은 흉부 X선 영상의 병변 영역 분할에 얼마나 효과적인가?
• RQ2 초기화수치 설정(배치 크기 = 16, 에포크 수 = 50)이 분할 성능에 미치는 영향은 무엇인가?
• RQ3 기본 U-Net과 같은 기존 방법과 비교해 제안된 모델은 주요 지표 측면에서 어떻게 다른가?
• RQ4 정밀도, 재현율 및 검증 정확도 측면에서 Residual U-Net은 SegNet을 얼마나 뛰어넘는가?
• RQ5 딥러닝 모델은 X선 영상에서 폐 질환의 조기 탐지에 대해 높은 분할 정확도를 달성할 수 있는가?

주요 결과

• Residual U-Net은 99.01%의 최고 검증 정확도를 기록하여 SegNet 및 이전 U-Net 모델을 압도하였다.
• Residual U-Net 모델은 98.64%의 정밀도와 97.50%의 재현율을 기록하여 강력한 예측 성능를 보였다.
• SegNet은 98.15%의 검증 정확도를 기록하였으며, 정밀도와 재현율은 각각 96.99%와 95.74%였다.
• Residual U-Net 모델은 훈련 세트에서 Dice 계수 0.9873과 Jaccard 계수 0.9749를 기록하였다.
• 제안된 모델들은 Chavan 등이 제시한 U-Net보다 뚜렷한 향상을 보였으며, 검증 세트에서 손실(0.0193 vs. 0.3232)은 낮고 Dice 계수(0.9808 vs. 0.6775)는 높았다.
• 누적 빈도 곡선는 데이터셋 전반에서 일관된 성능을 확인하였으며, Residual U-Net은 우수한 수렴성과 안정성을 보였다.