RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      KCI등재

      삼차원 심층 콘볼루션 신경망을 이용한 컴퓨터 단층 촬영 영상 내 폐 결절 분류

      한글로보기

      https://www.riss.kr/link?id=A105922300

      • 0

        상세조회
      • 0

        다운로드
      서지정보 열기
      • 내보내기
      • 내책장담기
      • 공유하기
      • 오류접수

      부가정보

      국문 초록 (Abstract)

      전 세계 암 발병의 큰 비중을 차지하는 폐암을 조기에 예방하기 위해서는 폐 결절을 찾아내 악성 여부를 검사해야 한다. 본 연구에서는 삼차원 시층 콘볼루션 신경망을 이용해 결절의 악성 여부를 판단하는 모델을 제안한다. 숏컷 연결을 이용한 모델을 사용했고, 분류 성능 향상을 위해 앙상블 기법을 이용한다. 본 모델을 LUng Nodule Analysis 2016 대회 데이터에 적용하여 모델의 성능을 측정하고 정확도를 검증한다. 본 모델은 대회의 평가 지표인 Competition Performance Metric 기준 0.899를 기록하였고, 이는 기존 참가자들의 성능과 비교하였을 때 우수한 결과이다.
      번역하기

      전 세계 암 발병의 큰 비중을 차지하는 폐암을 조기에 예방하기 위해서는 폐 결절을 찾아내 악성 여부를 검사해야 한다. 본 연구에서는 삼차원 시층 콘볼루션 신경망을 이용해 결절의 악성 ...

      전 세계 암 발병의 큰 비중을 차지하는 폐암을 조기에 예방하기 위해서는 폐 결절을 찾아내 악성 여부를 검사해야 한다. 본 연구에서는 삼차원 시층 콘볼루션 신경망을 이용해 결절의 악성 여부를 판단하는 모델을 제안한다. 숏컷 연결을 이용한 모델을 사용했고, 분류 성능 향상을 위해 앙상블 기법을 이용한다. 본 모델을 LUng Nodule Analysis 2016 대회 데이터에 적용하여 모델의 성능을 측정하고 정확도를 검증한다. 본 모델은 대회의 평가 지표인 Competition Performance Metric 기준 0.899를 기록하였고, 이는 기존 참가자들의 성능과 비교하였을 때 우수한 결과이다.

      더보기

      다국어 초록 (Multilingual Abstract)

      Early detection and examination of pulmonary nodules is the most effective ways to prevent lung cancer, accounting for more than a quarter of all cancer deaths. In this paper, we propose a 3D deep convolutional neural network for pulmonary nodule recognition. We use deep convolutional neural network that uses shortcut connections and the ensemble method is used to boost recognition performance. Proposed models are trained and tested on Lung Nodule Analysis 2016 competition dataset. We evaluate performance of models and verify preciseness. Proposed model produces 0.899 of Competition Performance Metric value, that is evaluation criteria of competition. It is outperforming value than that of other participants.
      번역하기

      Early detection and examination of pulmonary nodules is the most effective ways to prevent lung cancer, accounting for more than a quarter of all cancer deaths. In this paper, we propose a 3D deep convolutional neural network for pulmonary nodule reco...

      Early detection and examination of pulmonary nodules is the most effective ways to prevent lung cancer, accounting for more than a quarter of all cancer deaths. In this paper, we propose a 3D deep convolutional neural network for pulmonary nodule recognition. We use deep convolutional neural network that uses shortcut connections and the ensemble method is used to boost recognition performance. Proposed models are trained and tested on Lung Nodule Analysis 2016 competition dataset. We evaluate performance of models and verify preciseness. Proposed model produces 0.899 of Competition Performance Metric value, that is evaluation criteria of competition. It is outperforming value than that of other participants.

      더보기

      목차 (Table of Contents)

      • 요약
      • Abstract
      • 1. 서론
      • 2. 방법론
      • 3. 실험
      • 요약
      • Abstract
      • 1. 서론
      • 2. 방법론
      • 3. 실험
      • 4. 결론 및 향후 연구
      • References
      더보기

      참고문헌 (Reference)

      1 Setio, Arnaud Arinder Adiyoso, "Validation, comparision and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: the LUNA 16 challenge" 42 : 1-13, 2017

      2 Ju, C., "The relative performance of ensemble methods with deep convolutional neural networks for image classification" 1-19, 2018

      3 Dou, Q., "Multilevel contextual 3-d cnns for false positive reduction in pulmonary nodule detection" 64 (64): 1558-1567, 2017

      4 Rumelhart, D.E., "Learning representations by back-propagating errors" 323 : 1986

      5 Dobrenkii, A, "Large residual multiple view 3d cnn for false positive reduction in pulmonary nodule detection" 2017

      6 He, Kaiming, "Deep residual learning for image recognition" 2016

      7 Chen, H, "Checkpoint ensembles: Ensemble methods from a single training process"

      8 Siegel, "Cancer statistics, 2016" 66 (66): 7-30, 2016

      9 Xie, H, "Automated pulmonary nodule detection in ct images using deep convolutional neural networks" 85 : 109-119, 2019

      10 Ding, J., "Accurate pulmonary nodulle detection in computed tomography images using deep convolutional neural networks" 559-567, 2017

      1 Setio, Arnaud Arinder Adiyoso, "Validation, comparision and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: the LUNA 16 challenge" 42 : 1-13, 2017

      2 Ju, C., "The relative performance of ensemble methods with deep convolutional neural networks for image classification" 1-19, 2018

      3 Dou, Q., "Multilevel contextual 3-d cnns for false positive reduction in pulmonary nodule detection" 64 (64): 1558-1567, 2017

      4 Rumelhart, D.E., "Learning representations by back-propagating errors" 323 : 1986

      5 Dobrenkii, A, "Large residual multiple view 3d cnn for false positive reduction in pulmonary nodule detection" 2017

      6 He, Kaiming, "Deep residual learning for image recognition" 2016

      7 Chen, H, "Checkpoint ensembles: Ensemble methods from a single training process"

      8 Siegel, "Cancer statistics, 2016" 66 (66): 7-30, 2016

      9 Xie, H, "Automated pulmonary nodule detection in ct images using deep convolutional neural networks" 85 : 109-119, 2019

      10 Ding, J., "Accurate pulmonary nodulle detection in computed tomography images using deep convolutional neural networks" 559-567, 2017

      더보기

      동일학술지(권/호) 다른 논문

      분석정보

      View

      상세정보조회

      0

      Usage

      원문다운로드

      0

      대출신청

      0

      복사신청

      0

      EDDS신청

      0

      동일 주제 내 활용도 TOP

      더보기

      주제

      연도별 연구동향

      연도별 활용동향

      연관논문

      연구자 네트워크맵

      공동연구자 (7)

      유사연구자 (20) 활용도상위20명

      인용정보 인용지수 설명보기

      학술지 이력

      학술지 이력
      연월일 이력구분 이력상세 등재구분
      2022 평가예정 재인증평가 신청대상 (재인증)
      2019-01-01 평가 등재학술지 유지 (계속평가) KCI등재
      2016-01-01 평가 등재학술지 유지 (계속평가) KCI등재
      2015-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2014-09-16 학술지명변경 한글명 : 정보과학회논문지 : 컴퓨팅의 실제 및 레터 -> 정보과학회 컴퓨팅의 실제 논문지
      외국어명 : Journal of KIISE : Computing Practices and Letters -> KIISE Transactions on Computing Practices
      KCI등재
      2013-04-26 학술지명변경 외국어명 : Journal of KISS : Computing Practices and Letters -> Journal of KIISE : Computing Practices and Letters KCI등재
      2011-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2009-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2008-10-02 학술지명변경 한글명 : 정보과학회논문지 : 컴퓨팅의 실제 -> 정보과학회논문지 : 컴퓨팅의 실제 및 레터
      외국어명 : Journal of KISS : Computing Practices -> Journal of KISS : Computing Practices and Letters
      KCI등재
      2007-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2005-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2002-01-01 평가 등재학술지 선정 (등재후보2차) KCI등재
      더보기

      학술지 인용정보

      학술지 인용정보
      기준연도 WOS-KCI 통합IF(2년) KCIF(2년) KCIF(3년)
      2016 0.29 0.29 0.27
      KCIF(4년) KCIF(5년) 중심성지수(3년) 즉시성지수
      0.24 0.21 0.503 0.04
      더보기

      이 자료와 함께 이용한 RISS 자료

      나만을 위한 추천자료

      해외이동버튼