http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
흉부 CT 영상에서 결절의 밝기값, 재질 및 형상 증강 영상 기반의 GGN-Net을 이용한 간유리음영 결절 자동 분류
변소현(So Hyun Byun),정주립(Julip Jung),홍헬렌(Helen Hong),송용섭(Yong Sub Song),김형진(Hyungjin Kim),박창민(Chang Min Park) 한국컴퓨터그래픽스학회 2018 컴퓨터그래픽스학회논문지 Vol.24 No.5
본 논문에서는 흉부 CT 영상에서 결절의 밝기값, 재질 및 형상 증강 영상 기반의 GGN-Net을 이용해 간유리음영 결절 자동 분류 방법을 제안한다, 첫째, 입력 영상에 결절 내부의 고형 성분의 유무 및 크기 정보가 포함될 수 있도록 밝기값, 재질 및 형상 증강 영상의 활용을 제안한다. 둘째, 다양한 입력 영상을 여러 개의 컨볼루션 모듈을 통해 획득한 특징맵을 내부 네트워크에서 통합하여 훈련하는 GGN-Net를 제안한다. 제안 방법의 분류 정확성 평가를 위해 순수 간유리음영 결절 90개와 고형 성분의 크기가 5mm 미만인 혼합 간유리음영 결절 38개, 5mm 이상 고형 성분의 크기를 가지는 혼합 간유리음영 결절 23개의 데이터를 사용하였으며, 입력 영상이 간유리음영 결절 분류 결과에 미치는 영향을 비교하기 위해 다양한 입력 영상을 구성하여 결과를 비교하였다. 실험 결과, 밝기값, 재질 및 형상 정보가 함께 고려된 입력 영상을 사용한 제안 방법이 정확도가 82.75%로 가장 좋은 결과를 보였다. In this paper, we propose an automated method for the ground-glass nodule(GGN) classification using GGN-Net based on intensity, texture, and shape-enhanced images in chest CT images. First, we propose the utilization of image that enhances the intensity, texture, and shape information so that the input image includes the presence and size information of the solid component in GGN. Second, we propose GGN-Net which integrates and trains feature maps obtained from various input images through multiple convolution modules on the internal network. To evaluate the classification accuracy of the proposed method, we used 90 pure GGNs, 38 part-solid GGNs less than 5mm with solid component, and 23 part-solid GGNs larger than 5mm with solid component. To evaluate the effect of input image, various input image set is composed and classification results were compared. The results showed that the proposed method using the composition of intensity, texture and shape-enhanced images showed the best result with 82.75% accuracy.
2.5차원 다중뷰 기반 특징 및 데이터 확장을 통한 간유리음영 결절의 다중클래스 분류
이선영(Seon Young Lee),정주립(Julip Jung),홍헬렌(Helen Hong),송용섭(Yong Sub Song),김형진(Hyungjin Kim),박창민(Chang Min Park) 한국정보과학회 2018 정보과학회 컴퓨팅의 실제 논문지 Vol.24 No.10
간유리음영 결절은 내부 고형 성분의 포함 여부 및 크기에 따라 악성도가 달라지기 때문에 고형 성분의 크기에 따른 혼합 간유리음영 결절과 순수 간유리음영 결절을 구분하는 것이 중요하다. 그러나 고형 성분의 크기가 작은 혼합 간유리음영 결절은 순수 간유리음영 결절과 유사하게 나타나 구분이 어렵다. 본 논문에서는 다중뷰-슬랩 관심영역 기반 특징 및 데이터 확장을 통한 간유리음영 결절의 분류 방법을 제안한다. 첫째, 분류기의 훈련 데이터 수를 늘리고 과적합을 피하기 위해 데이터 확장을 수행한다. 둘째, 간유리음영 결절로부터 네 종류의 관심 영역을 생성한다. 셋째, 각 관심영역으로부터 고형 성분의 특성을 반영하는 특징을 추출하고 의미 있는 특징을 선별한다. 넷째, 랜덤 포레스트를 이용해 간유리음영 결절을 분류한다. 2.5차원 다중뷰-슬랩 관심영역을 이용한 분류 정확도는 84.05%로 3차원 관심영역과 2.5차원 다중뷰 관심영역을 이용한 정확도보다 각각 6.27%, 4.44% 높았다. Differentiation between part-solid ground-glass nodules (GGNs) with a variable sized solid component from pure GGNs is important because the malignancy rate of GGN is different according to the presence and size of solid components in chest CT images. However, because of their similar appearance, it is difficult to distinguish between part-solid GGN and pure GGN when the part-solid GGN includes small solid components. In this paper, we propose a multi-class classification method for GGN using multiview-slab region of interest (ROI)-based features and data augmentation. First, data augmentation is performed to enlarge the training dataset of the classifier and to avoid the overfitting problem. Second, four ROIs are generated from a GGN. Third, features that reflect the characteristics of the solid component are extracted from each ROI, and significant features are selected for classification. Finally, GGNs are classified using the random forest (RF). In the experiments, the classification accuracy with 2.5-dimensional multiview-slab ROI was 84.05%, which was 6.27% and 4.44% higher than the classification accuracy with 3-dimensional ROI and 2.5-dimensional ROI, respectively.