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 ...
http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
https://www.riss.kr/link?id=A105922300
2018
Korean
폐 결절 ; 폐암 ; 딥 러닝 ; 인공신경망 ; pulmonary nodule ; lung cancer ; deep learning ; convolutional neural network
KCI등재
학술저널
699-702(4쪽)
0
0
상세조회0
다운로드국문 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 ...
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.
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 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.
목차 (Table of Contents)
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
FastText와 셀프 매칭 어텐션 기반 포인터 네트워크를 이용한 한국어 상호참조해결
오토인코더 모델을 이용한 선박교통관제 지원 시스템의 개발
스몰베이직 기반 교육용 코딩 환경을 위한 오픈소스 소프트웨어 개발
의료 학술 문헌의 효과적 근거 매핑을 위한 대화형 시각화 도구
학술지 이력
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2022 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2019-01-01 | 평가 | 등재학술지 유지 (계속평가) | ![]() |
2016-01-01 | 평가 | 등재학술지 유지 (계속평가) | ![]() |
2015-01-01 | 평가 | 등재학술지 유지 (등재유지) | ![]() |
2014-09-16 | 학술지명변경 | 한글명 : 정보과학회논문지 : 컴퓨팅의 실제 및 레터 -> 정보과학회 컴퓨팅의 실제 논문지외국어명 : Journal of KIISE : Computing Practices and Letters -> KIISE Transactions on Computing Practices | ![]() |
2013-04-26 | 학술지명변경 | 외국어명 : Journal of KISS : Computing Practices and Letters -> Journal of KIISE : Computing Practices and Letters | ![]() |
2011-01-01 | 평가 | 등재학술지 유지 (등재유지) | ![]() |
2009-01-01 | 평가 | 등재학술지 유지 (등재유지) | ![]() |
2008-10-02 | 학술지명변경 | 한글명 : 정보과학회논문지 : 컴퓨팅의 실제 -> 정보과학회논문지 : 컴퓨팅의 실제 및 레터외국어명 : Journal of KISS : Computing Practices -> Journal of KISS : Computing Practices and Letters | ![]() |
2007-01-01 | 평가 | 등재학술지 유지 (등재유지) | ![]() |
2005-01-01 | 평가 | 등재학술지 유지 (등재유지) | ![]() |
2002-01-01 | 평가 | 등재학술지 선정 (등재후보2차) | ![]() |
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 |