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

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지 2

목차 6

Abstract 11

초록 13

제1장 서론 14

제1절 연구의 배경 및 필요성 14

제2절 연구 목적 17

제3절 논문 구성 18

제2장 관련 연구 20

제1절 연구 동향 20

제2절 의료 영상 이미지 연구와 기술 21

(1) 의료 영상 이미지 분류 (Classification) 21

(2) 의료 영상 탐지 (Detection) 21

(3) 의료 영상 세분화 (Segmentation) 22

제3장 연구 방법 23

제1절 자궁 이미지 두께 길이 분류 23

제2절 자궁 이미지 구조 세분화 24

제3절 자궁 구조 측정 알고리즘 25

(1) 측정 대상 정의 25

(2) 측정 알고리즘 개요 27

(3) 측정 길이 계산 27

제4절 평가 지표 및 비교 기준 28

(1) 성능 평가 지표 28

제4장 연구 실험 및 결과 32

제1절 실험 데이터셋 구성 32

제2절 이미지 분류 모델 성능 비교 실험 35

(1) 실험 개요 35

(2) ResNet-50, 101 기반 분류 실험 결과 36

(3) ResNet-101 + LFI-CAM 시각화 실험 결과 38

제3절 이미지 세분화 모델 성능 비교 실험 40

(1) 실험 개요 40

(2) 축소 해상도 입력 기반 실험 결과 40

(3) 원본 해상도 입력 기반 실험 결과 45

제4절 자궁 구조 측정 알고리즘 실험 48

(1) 실험 개요 49

(2) 자궁 측정 알고리즘 실험 결과 실험 결과 50

제5장 결론 52

참고 문헌 54

표목차 10

[표 1] 자궁 두께 구간별 클래스 분포 36

[표 2] ResNet-50, ResNet-101 모델별 최적 성능 비교 36

[표 3] 축소 해상도 입력에 대한 세분화 모델별 학습 및 검증 손실 비교 41

[표 4] 축소 해상도 입력에 대한 세분화 모델별 세분화 성능 비교 44

[표 5] 원본 해상도 입력에 대한 세분화 모델별 학습 및 검증 손실 비교 45

[표 6] 원본 해상도 기반 테스트셋 성능 비교 47

[표 7] 자궁 구조 측정 정확도에 대한 기술통계 요약 50

그림목차 8

[그림 1] 정상 자궁의 초음파 사진 및 크기 측정 14

[그림 2] 자궁 질환 초음파 (자궁근종) 사진 및 크기 측정 15

[그림 3] 자궁 질환 초음파 (자궁 선근증) 사진 및 크기 측정 15

[그림 4] 정상 자궁 초음파 구조 측정 (배란 전 증식기) 26

[그림 5] 정상 자궁 초음파 구조 측정 (배란 후 분비기) 26

[그림 6] 두 곡선 X와 Y사이의 Hausdorff Distance 시각적 예시 30

[그림 7] DICOM to PNG python source code 32

[그림 8] DICOM 추출 후 가명 처리된 자궁 초음파 이미지 33

[그림 9] 데이터셋의 구성 34

[그림 10] 자궁 구조물 라벨링 작업 진행 34

[그림 11] ResNet-50 학습별 Batch, Learning Rate 에 따른 Validation Accuracy 37

[그림 12] ResNet-101 학습별 Batch, Learning Rate 에 따른 Validation Accuracy 37

[그림 13] ResNet-50 Train Validation Loss 37

[그림 14] ResNet-101 Train Validation Loss 38

[그림 15] LFI-CAM 기반 자궁 초음파 이미지 Heatmap 39

[그림 16] AttentionUNet 모델 학습 후 자궁 예측 마스크(512x512) 42

[그림 17] DeepLabV3 모델 학습 후 자궁 예측 마스크(512x512) 42

[그림 18] TransUNet 모델 학습 후 자궁 예측 마스크(512x512) 42

[그림 19] U-Net 모델 학습 후 자궁 예측 마스크(512x512) 43

[그림 20] Unet++ 모델 학습 후 자궁 예측 마스크(512x512) 43

[그림 21] DeepLabV3 모델 학습 후 자궁 예측 마스크(1180x599) 46

[그림 22] U-Net 모델 학습 후 자궁 예측 마스크(1180x599) 46

[그림 23] Unet++ 모델 학습 후 자궁 예측 마스크(1180x599) 46

[그림 24] 예측된 Mask 로부터 알고리즘 시각화 49

[그림 25] 알고리즘으로 추출된 자궁 길이와 두께 50

초록보기

 본 연구는 자궁 초음파 영상에서 자궁 구조를 자동으로 세분화하고, 주요 구조적 특성(자궁 길이, 전후벽 두께 등)을 정량적으로 측정할 수 있는 딥러닝 기반 자동 분석 시스템을 연구하는 것을 목적으로 한다. 자궁은 여성 생식기의 핵심 장기로, 자궁근종, 자궁선근증, 자궁내막증식증 등의 질환은 자궁의 형태 및 구조적 특성과 밀접한 관련이 있다. 특히 자궁 초음파를 통한 자궁 병변의 크기와 두께의 측정은 질병을 진단할 뿐만 아니라 치료 경과를 추적하는데도 중요한 임상 지표로 활용된다. 하지만 초음파 영상은 해상도가 제한적이며, 영상의 품질 및 판독 결과는 의료진의 숙련도에 따라 큰 차이를 보이는 한계가 있다. 따라서 자궁 초음파 영상에 대한 자동 분석 및 측정 기술의 개발은 객관적인 진단 도구로서 중요한 의의를 가진다.

연구 초기에는 마스킹 데이터 없이 ResNet50, 101 기반 이미지 분류 모델을 적용하였으나, 길이(cm) 단위의 클래스 분류 방식은 자궁의 위치 및 경계 특정에 한계를 보였고, CAM 계열의 시각화 기법도 정밀한 구조 추출에는 어려움이 있었다. 이에 따라 본 연구는 세분화 방식으로 전환하여, AttentionUNet, DeepLabV3, TransUNet, U-Net, UNet++ 모델을 학습하고 비교 분석하였다. 학습 초기에는 512×512 이미지로 진행했으나, 길이 측정 알고리즘 적용 시 왜곡이 발생하여 이후 원본 해상도(1180×599)를 유지한 채 학습을 수행하였다. 연구 결과 원본 해상도에서 DeepLabV3 가 가장 높은 정확도를 보였으며 세분화 마스크 기반 자궁 윤곽 추출과 측정 알고리즘을 구현하여 수기 측정 대비 두께의 경우 평균 오차율 4.67%, 길이의 경우 평균 오차율 8.67%를 기록하였다. 본 연구는 자궁 초음파 영상의 자동 해석을 통해 진단의 정량화 및 표준화에 기여할 수 있으며, 향후 다양한 자궁 질환의 조기 진단 및 치료 효과 분석에도 활용될 수 있을 것으로 기대된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

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

권호

기사명 원문보기 기사목차
닫기