컨볼루션 신경망을 기반으로 한 의료 이미지의 NR-IQA 연구 = A Study on NR-IQA of Medical Images Based on CNN|RISS 상세보기

국문 초록 (Abstract)

컨볼루션 신경망을 기반으로 한 의료 이미지의 NR-IQA 연구 쉬 멍 동신대학교 대학원 컴퓨터학과 (지도교수 이태원) 이미지 품질 평가는 지난 십여 년 동안 관련 이미지 전송 하드웨어, 이미지 소프 트웨어, 이미지 수집 기술, 이미지 재구성 또는 이미지 처리 알고리즘 등에서 중요 한 역할을 하고 있다. 의료 이미지는 특수한 이미지 형성 방식을 가지고 있으며, 다 양한 이미지 형식에서 많은 다른 특징과 내용이 존재하여 현실 세계에서 완벽한 의 료 참조 이미지를 찾을 수 없게 된다. 이러한 여러 요소를 고려하여 인간의 주관적 인 평가에 맞으며 강력한 일반화 능력을 갖춘 의료 이미지 품질 평가 모델을 설계 하는 것은 중요한 응용 가치를 가지고 있다. 이 논문에서는 공개 데이터셋에서 다양한 의료 이미지 데이터를 수집하였으며, 일 반적으로 사용되는 데이터셋 확장 방법과는 다른 왜곡 확장 방법을 사용하였으며. 가우시안 잡음, 소금-후추 잡음, 점 잡음, 포아송 잡음 등의 잡음 유형이 포함되었 다. 교사 및 대학원 평가 그룹에 의해 평가, 점수 처리 및 이상치 제거를 거친 후, 868개의 점수 라벨이 부여된 이미지를 모델의 훈련 및 테스트 샘플로 사용하였다. 전이 학습 기반의 컨볼루션 신경망 의료 영상 품질 평가 모델 은 다양한 분류 감 지 CNN을 기반으로 구성되었으며, 전이 학습을 활용하여 네트워크 모델을 수정하 고 구조를 조정하여 분류 감지 작업을 의료 영상 품질 평가 작업으로 전환하였다. 이를 통해 의료 영상 품질 평가 데이터셋의 학습과 검증을 수행하였다. 다양한 네트워크 모델을 비교하여 여러 실험 지표를 평가하였다. 실험 결과, 테스 트에서 모델의 예측 점수와 주관적인 평가 점수 사이의 피어슨 상관 계수가 최대 0.9690, 스피어만의 순위 상관계수가 최대 0.9625, 켄달 순위 상관 계수가 최대 0.6599로 나타났으며, 평균 제곱 오차가 4.7330로 가장 낮게 나타났으며, 평균 절대 오차가 3.4010로 가장 낮게 나타났으며, 이는 모델의 높은 견고성과 유효성을 검증 하였다. 본 연구에서 개발한 의료 영상 품질 평가 모델은 강력하고 효과적이며, 일반화 능 력도 뛰어나다는 것을 확인하였다. 이 모델은 인간의 주관적인 평가와도 일치하며, 향후 연구에서 더욱 발전할 가능성을 가지고 있다. 주제어: 전이 학습, 의료 영상, 무 참조 이미지 품질 평가, 컨볼루션 신경망, 심층 학습

번역하기

컨볼루션 신경망을 기반으로 한 의료 이미지의 NR-IQA 연구 쉬 멍 동신대학교 대학원 컴퓨터학과 (지도교수 이태원) 이미지 품질 평가는 지난 십여 년 동안 관련 이미지 전송 하드웨어, 이미지...

목차 (Table of Contents)

표 목차 iii
그림 목차 iv
초록 ·v
Ⅰ. 서론 ·1
1.1 연구의 배경과 의의 1

표 목차 iii
그림 목차 iv
초록 ·v
Ⅰ. 서론 ·1
1.1 연구의 배경과 의의 1
1.2 국내외 연구 동향 2
1.2.1 의료 영상 전체 참조 품질 평가 방법 3
1.2.2 의학 이미지 비참조 품질 평가 방법 ·5
1.3 본 논문의 연구 목표 및 내용 7
Ⅱ. 심층 학습 및 의료 이미지 품질 평가에 관련된 이론 9
2.1 의료 이미지와 자연 이미지의 차이와 공통점 분석 9
2.2 의학 영상 품질 평가 데이터셋을 위한 참고 이미지 선택 요구사항 ·10
2.3 의료 이미지 왜곡 특징 추출 12
2.4 컨볼루션 신경망 13
2.4.1 깊이 분리 합성곱 14
2.4.2 깊이 영역 혼동 ·16
2.5 전이 학습 18
2.5.1 의료 이미지 품질 평가에서의 전이 학습 문제 형식화 19
2.5.2 딥 네트워크의 전이 학습: Fine-tuning 20
2.6 장 요약 21
Ⅲ. MIQA 데이터셋 기반 분류 검출알고리즘 제안 23
3.1 의료 영상 품질 평가 데이터셋 구축 23
3.1.1 데이터셋 노이즈 확장 ·26
3.1.2 주관적 점수 획득 및 처리 27
3.1.3 이상치 필터링 및 점수 표준화 29
3.2 전이 학습을 기반으로 한 컨볼루션 신경망 의학 이미지 품질 평가 모델 31
3.2.1 알고리즘 제안 31
3.2.2 이미지 모델 모듈 분석 33
3.2.3 이미지 모델 성능 테스트 ·44
3.3 장 요약 51
IⅤ. 결론 및 전망 52
4.1 요약 52
4.2 연구 전망 54
참고문헌 ·56
ABSTRACT 63
감사의 글 65

참고문헌 (Reference)

1. Noise-Blind Image Deblurring, Paolo Favaro, Meiguang Jin, Stefan Roth, Computer Vision and Pattern Recognition (CVPR) 2017 IEEE Conference onpp.3834-3842, , 2017

2. Unbiased look at dataset bias, A. Efros, A. Torralba and, InProc. CVPR,2011 INSIDabcdef_:MS_0001MS_0001, , 2011

3. Undoing the damage of dataset bias, T. Malisiewicz, A. Khosla, A. Torralba, T. Zhou, A. Efros and, In Proc. ECCV,2012, , 2012

4. Learning bounds for domain adaptation, F. Pereira and, A. Kulesza, K. Crammer, J. Wortman, J. Blitzer, In Proc. NIPS,2007, , 2007

5. Domain adaptation for object recognition, R. Gopalan, R. Li and, R. Chellappa, An unsupervised approach In Proc. ICCV,2011, , 2011

6. 评价图像质量指标以增强清晰度, 姚诚，陈光学．, 第十届图像与信号处理与分析研讨会论文集，2017pp.115-120, , 2017

7. Deep Residual Learning for Image Recognition, K. He, J. Sun, X. Zhang, S. Ren and, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.770-778,2016, , 2016

8. CUQI: cardiac ultrasound video quality index., Razaak, Manzoor and, Maria G Martini, ,2016pp.011-012, , 2016

9. Adapting visual category models to new domains, M. Fritz and, B. Kulis, T. Darrell, K. Saenko, . In Proc. ECCV,2010, , 2010

10. LIVE Image quality assessment database release 2, Cormack L, Bovik A C, Wang Z, Sheikh H R, available,2015, , 2015