본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

국문초록

목차

I. 서론 10

1. 연구 배경 10

2. 논문의 구성 12

II. 관련 연구 14

1. 합성곱 신경망 14

1) 영상 분류(Image classification) 14

2) 영상 분할(Image segmentation) 15

2. 영상 처리(Image processing) 16

1) CLAHE(Contrast Limited Adaptive Histogram Equalization) 16

2) 허프 변환 원 검출(Hough transformation circle detection) 17

3) 템플릿 매칭(Template matching) 17

4) 히스토그램 매칭(Histogram matching) 18

5) K-평균 알고리즘(K-means clustering) 19

3. 최신 녹내장 진단 기술 20

1) 혈관 영상 분할 20

2) 시신경유두, 시신경함몰 영상 분할 21

3) 녹내장 진단 22

III. 실험 설계 24

1. 실험 환경 24

2. 데이터 셋 24

1) 혈관 영상 분할 25

2) 녹내장 진단 25

3. 성능 평가 지표 26

IV. 실험 방법 29

1. 영상 전처리 29

2. 혈관 영상 분할 30

3. 시신경유두, 시신경함몰 영상 분할 32

4. 녹내장 진단 모델의 개발 33

V. 실험 결과 및 결론 35

1. 실험 결과 35

1) 혈관 영상 분할 35

2) 녹내장 진단 35

2. 결론 36

참고문헌 38

부록 40

〈부록 1〉 MobileNet을 인코더로 사용한 수정된 U-Net 모델 구조 40

Abstract 51

표목차

〈표-1〉 실험 환경 24

〈표-2〉 혈관 영상 분할 데이터 셋 25

〈표-3〉 REFUGE 녹내장 진단 데이터 셋 25

〈표-4〉 경상대 녹내장 진단 데이터 셋 26

〈표-5〉 녹내장 진단 모델 하이퍼 파라미터 34

〈표-6〉 혈관 영상 분할 실험 결과 35

〈표-7〉 녹내장 진단 실험 결과 36

그림목차

〈그림 1〉 시야 검사(좌) 및 OCT 검사(우) 11

〈그림 2〉 안저사진 12

〈그림 3〉 전통적인 합성곱 신경망 모델 개요 14

〈그림 4〉 인코더-디코더 구조 15

〈그림 5〉 U-Net 모델의 구조 16

〈그림 6〉 원본(좌), 히스토그램 평활화(중앙), CLAHE(우) 영상 17

〈그림 7〉 템플릿 매칭의 예시 18

〈그림 8〉 히스토그램 매칭의 예시 19

〈그림 9〉 K-평균 알고리즘을 적용한 그림의 예시 20

〈그림 10〉 녹색 채널 영상에 CLAHE를 적용한 예시 21

〈그림 11〉 REFUGE 데이터 셋의 원본 및 주석 영상 22

〈그림 12〉 혼동 행렬 26

〈그림 13〉 ROC 곡선과 AUC 28

〈그림 14〉 각 데이터 셋의 예시 영상 29

〈그림 15〉 영상 전처리 단계 흐름도 30

〈그림 16〉 혈관 영상 분할 단계 흐름도 31

〈그림 17〉 삼출물이 뚜렷한 안저사진 예시 32

〈그림 18〉 시신경유두 및 시신경함몰 영상 분할 과정 33

〈그림 19〉 이전 단계에서 추출한 특징 영상들(좌), 생성한 영상(우) 34

초록보기

녹내장은 대표적인 신경퇴행성 질환으로 영구적인 시야 결손을 유발한다. 진행 과정에서 통증이 유발되지 않으며 점진적으로 진행되기 때문에 환자가 손상 및 심각도에 대해 인지하지 못하므로 시력 상실을 방지하기 위해서는 조기 발견이 중요하다. 이를 진단하기 위하여 본 논문에서는 안저사진을 이용하여 혈관 및 시신경유두, 시신경 함몰 영상을 분할하고 해당 영상을 조합하여 녹내장을 진단하는 방법을 제안한다. 제안된 방법은 세 단계로 나눌 수 있다. 먼저 딥러닝 영상 분할 모델을 이용하여 혈관 영상을 추출하고, 영상처리 기술을 이용하여 원본 영상에서 관심 영역을 잘라내 시신경유두와 시신경 함몰 영상을 분할한다. 마지막으로 추출 영상을 통해 녹내장을 진단하는 딥러닝 영상 분류 모델을 구축한다. 결과는 REFUGE 데이터 셋을 기준으로 비교 군 대비 약 1%의 정확도 향상, 경상대 데이터 셋을 기준으로 비교군 대비 약 4%의 정확도 향상을 보였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차