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

-

초록보기

본 연구는 제한된 계산 능력을 갖는 환경에서 CNN 및 전이학습을 활용하여 의료영상 분야의 고질적 문제인 주석처리 데이터의 부족과 이미지 도메인 변화 문제에 대응하는 안정적이고 효율적인 자동 안저 검사 방법을 제안하였다. 데이터 세트를 이용하여 학습된 가중치 값을 다른 신경망의 초기값으로 사용하고, 이 사전 학습 모델을 이용하여 추가적인 학습을 수행한다. 이러한 재 수행을 미세 조정이라고 하고, 이 전과정을 전이학습이라고 한다. 이미지 도메인이 상이한 총 4가지 안저 사진 데이터 세트가 검증을 위해 사용되었다. 데이터 세트는 안과전문의에 의해 각각 정상과 비정상 또는 당뇨성 망막병증으로 진단 및 주석 처리된 자료를 활용하였다. 전이 학습에 있어 120만장의 일상생활 개체 종류 사진으로 구성된 ImageNet 데이터들로 사전 훈련된 ResNet-18 모델을 활용하였다. 사전 학습된 모델은 추가로 안저 사진의 특징을 학습을 하였고, 학습과 분리된 테스트세트로 검증을 하였다. 딥 러닝 모델은 안저 사진 데이터 세트의 제한적 수량과 이미지 도메인의 변화에도 불구하고 강인한 눈 질환 판별 성능을 보였다. 본 연구를 통해 단순하지만 강력한 전이학습의 가능성을 보였으며, 양질의 의료데이터 확보 및 관리의 한계, 이미지 도메인 부적응 등 다양한 의료 환경의 문제에 대응하는 실현 가능하고 실용적 방법을 제안하였다.

In this paper, we demonstrates a reliable and efficient approach to detect eye-related disease with automated fundus screening using convolutional neural network (CNN) and transfer learning that counteracts to insufficient annotated data set and image domain shifts. The weight values learned from the data sets can be used as initial parameters for the other desired neural networks, and additional learning can be conducted on top of the pre-learned model, called transfer learning. It is a particularly useful method when the number of data sets is and small over limited computing power environment. Four different fundus image data sets, image domains such as ethnicity of the target and equipment which the fundus photograph was captured with, were used for the validation. The data sets were annotated by ophthalmologists as healthy, abnormal, or diabetic retinopathy. The ResNet-18 model, pre-trained with ImageNet data set of 1.2 million images of 1000 daily routine objects, were used for transfer learning. The pre-trained model were modified and additionally trained to learn features from the fundus images, and were validated with separate test sets. Given limited quantity of fundus photograph data set and various image domains, the deep learning models can yield robust ophthalmological performance in discriminating pathologies in the eyes. In spite of the simplicity, this study illustrates the capability of transfer learning and suggests pragmatic and practical approach to varied medical settings with fluctuating status of data maintenance and different image domains.

권호기사

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 목차
BERT 기반 리뷰의 감성정보를 활용한 제품정보 시각화 시스템의 구현 = Implementation of visualization system using emotional information of bert-based product review 김현주, 김소연, 김창근 p. 1-10

한국군의 비전통적 위협 대응 우선순위 선정에 관한 연구 = A study on prioritization of ROK military responses according to types of non-traditional security threats 이호준, 한승조 p. 11-21

LED조명기구의 공급전원(직류, 교류)에 따른 온도와 조도변화의 비교분석에 관한 연구 = A study on the comparative analysis of changes in temperature and illuminance according to the type of power supply(DC, AC) for LED lighting fixtures 박명석 p. 23-34

스트라이프의 마케팅 전략 = Stripe's marketing strategy 송영훈, 김광현 p. 35-41

'돈쭐'구매 및 불매 소비 행동의 결정요인에 관한 연구 = A study on determinants of 'money-scold/DonJJul' buycott and boycott consumption behavior 김형석 p. 43-54

실리콘 웨이퍼의 비유전율과 손실 탄젠트의 측정 = Measurements of relative permittivity and loss tangent of silicon wafer 이원희 p. 55-60

다중 분류 기반의 상품 추천을 위한 워드 임베딩 적용 연구 = A research on the application of word embedding for product recommendation based on multi-classification 김철진 p. 61-70

딥러닝을 이용한 심전도 분류 알고리즘에 관한 연구 = A study of ECG classification algorithm using deep learning 이세열 p. 71-78

델파이 기법을 통한 교육용 콘텐츠의 성과관리 지표 개발 연구 = Developing a performance measurement indicators of educational content through delphi technique 강신천, 정현용 p. 79-89

Fundus photograph discrimination using transfer learning over limited computing power environment = 제한된 계산 능력 환경에서 전이 학습을 통한 안저 사진 판별 Dongwook Song, Kwangmin Hyun, Sung-Phil Heo p. 91-99

휘처 기반 클라우드 모델링 방법 = A feature-based cloud modeling method 송치양, 조은숙 p. 101-120

중앙은행 CBDC 도입에 따른 대한민국의 관세청의 미래 = Central bank introduction of CBDC and future of Korea service customs role 김광현, 이종보 p. 121-129

북한이탈주민을 위한 디지털 조력이 정보격차에 미치는 영향 = The effect of digital support on the digital divide of North Korean defectors 이홍재, 박미경, 한수영 p. 131-142

스마트 교통신호등 시스템 구현 = Implementation of smart traffic light system 이동은 p. 143-151

치매 환자의 보행 향상을 위한 강화학습 알고리즘 적용방안에 관한 연구 = A study on the application of reinforcement learning algorithm to improve walking in dementia patients 김진수 p. 153-160

E-Commerce을 활용한 스마트형 물류창고 부동산 가치형성요인에 관한 연구 = A study on the factors forming real estate values in smart logistics warehouses using e-commerce 홍주현, 민규식 p. 161-171

K-means 성능 향상을 위한 효율적인 버킷 클러스터링 = An efficient bucket clustering to improve performance of K-means 한수영 p. 173-181

참고문헌 (25건) : 자료제공( 네이버학술정보 )

참고문헌 목록에 대한 테이블로 번호, 참고문헌, 국회도서관 소장유무로 구성되어 있습니다.
번호 참고문헌 국회도서관 소장유무
1 V. Biousse, B. B. Bruce, and N. J. Newman, Ophthalmoscopy in the 21st century: The 2017 H. Houston merritt lecture, Neurology, Vol. 90, No. 4, pp. 167-175, 2018. 미소장
2 N. Irani, S. Bidot, J. Peragallo, G. J. Esper, N. J. Newman, and V, Biousse, Feasibility of a nonmydriatic ocular fundus camera in an outpatient neurology clinic, The Neurologist, Vol. 25, No. 2, pp. 19-23, 2020. 미소장
3 M. D. Abràmoff, P. T. Lavin, M. Birch, N. Shah, and N. J. C. Folk, Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care office, NPJ Digital Medicine 1, No. 39. 2018. 미소장
4 A. Grzybowski, P. Brona, G. Lim, P. Guamviboonsuk, G. S. Tan, M. Abramoff, and D. S. Ting, Artificial intelligence for diabetic retinopathy screening: A review, Nature: Eye, Vol. 34, No. 3, pp. 451-460, 2020. 미소장
5 P. Heydon, C. Egan, L. Bolter, R. Chambers, J. Anderson, S. Aldington, and A. Rudnicka, Prospective evaluation of an artificial intelligence-enabled algorithm for automated diabetic retinopathy screening of 30,000patients, British Journal of Ophthalmology, Vol. 105, No. 5, pp. 723-728, 2021. 미소장
6 https://ai.googleblog.com /2016/11/deep-learning-for-detection-of-diabetic. html), Jan. 2022. 미소장
7 Ministry of Food and Drug Safety of Korea, National institute of food and drug safety evaluation: newly developed medical device and outlook analysis report. pp. 12-45, 2020. 미소장
8 P. Keane, and E. Topol, Reinventing the eye exam, The Lancet, Vol. 394, No. 10215. pp. 2141, 2019. 미소장
9 J. D. Fauw, J. R. Ledsam, B. RomeraParedes, S. Nikolov, N. Tomasev, S. Blackwell, and O. Ronneberger, Clinically applicable deep learning for diagnosis and referral in retinal disease, Nature Medicine, Vol. 24, No. 9. pp. 1342-1350, 2018. 미소장
10 S. J. Pan, and Q. Yang, A survey on transfer learning, IEEE Transactions on Knowledge and Data Engineering, Vol. 22, No. 10. pp. 1345-1359, 2009. 미소장
11 A. Kashani, S. Asanad, J. Chen, M. Singer, M. Zhang, M. Sharifi, and J. M. Ringman, Past, present and future role of retinal imaging in neurodegenerative disease, Progress in Retinal and Eye Research, 100938, 2021. 미소장
12 E. Golombievski, M. W. Doerrler, S. D. Ruland, M. A. McCoyd, and J. Biller, Frequency of direct funduscopy upon initial encounters for patients with headaches, altered mental status, and visual changes: a pilot study, Frontiers in Neurology, Vol. 6, No. 233, pp. 233. 2015. 미소장
13 D. D. Mackay, P. S. Garza, B. B. Bruce, N. J. Newman, and V. Biousse, V, The demise of direct ophthalmoscopy: a modern clinical challenge, Neurology: Clinical Practice, Vol. 5, No. 2, pp. 150-157, 2015. 미소장
14 Y. LeCun, Y. Bengio, and G. Hinton, Deep learning, Nature, Vol. 521, No. 7553, pp. 436-444, 2015. 미소장
15 A. G. Schwing, and R. Urtasun, Fully connected deep structured networks, arXiv:1503.02351, 2015. 미소장
16 M. D. Zeiler, and R. Fergus, Visualizing and understanding convolutional networks, 2014European Conference on Computer Vision, pp. 818-833, 2014. 미소장
17 B. Kim. and S. Suh, Comparative study on performance improvement methods in cnn based on time series data, Journal of Knowledge Information Technology and Systems, Vol. 16, No. 5, pp. 935-944, 2021. 미소장
18 S. Shin, H. Kim, and S. Park, Recent trend of biomedical image classification methods, Journal of Knowledge Information Technology and Systems, Vol. 12, No. 5, pp. 765-776, 2017. 미소장
19 K. He, X. Zhang, S. Ren, and J. Sun, Deep residual learning for image recognition, 2016IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778, 2016. 미소장
20 T. A. Liu, D. S. Ting, H. Y. Paul, J. Wei, H. Zhu, P. Subramanian, and N. R. Miller, Deep learning and transfer learning for optic disc laterality detection: implications for machine learning in neuro-ophthalmology, Journal of Neuro-Ophthalmology, Vol. 40, No. 2. pp. 178-184, 2020. 미소장
21 S. Sengupta, A. Singh, H. A. Leopold, T. Gulati, and V. Lakshminarayanan, Ophthalmic diagnosis using deep learning with fundus images – A critical review, Artificial Intelligence in Medicine, Vol. 102, p. 101758, 2020. 미소장
22 A. Budai, R. Bock, A. Maier, J. Hornegger, and G. Michelson, Robust vessel segmentation in fundus images, International Journal of Biomedical Imaging, Vol. 2013, 2013. 미소장
23 A. D. Hoover, V. Kouznetsova, and M. Goldbaum, M. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response, IEEE Transactions on Medical Imaging, Vol. 19, No. 3, pp. 203-210, 2000. 미소장
24 G. Quellec, M. Lamard, P. H. Conze, P. Massin, and B. Cochener, Automatic detection of rare pathologies in fundus photographs using few-shot learning, Medical Image Analysis, Vol. 61, 101660. 2020. 미소장
25 https://colab.research.google.com, Jan. 2021. 미소장

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