학습률 적용에 따른 흉부영상 폐렴 유무 분류 비교평가 = Comparative Evaluation of Chest Image Pneumonia based on Learning Rate Application

다국어 초록 (Multilingual Abstract)

This study tried to suggest the most efficient learning rate for accurate and efficient automatic diagnosis of medical images for chest X-ray pneumonia images using deep learning. After setting the learning rates to 0.1, 0.01, 0.001, and 0.0001 in the Inception V3 deep learning model, respectively, deep learning modeling was performed three times. And the average accuracy and loss function value of verification modeling, and the metric of test modeling were set as performance evaluation indicators, and the performance was compared and evaluated with the average value of three times of the results obtained as a result of performing deep learning modeling. As a result of performance evaluation for deep learning verification modeling performance evaluation and test modeling metric, modeling with a learning rate of 0.001 showed the highest accuracy and excellent performance. For this reason, in this paper, it is recommended to apply a learning rate of 0.001 when classifying the presence or absence of pneumonia on chest X-ray images using a deep learning model. In addition, it was judged that when deep learning modeling through the application of the learning rate presented in this paper could play an auxiliary role in the classification of the presence or absence of pneumonia on chest X-ray images. In the future, if the study of classification for diagnosis and classification of pneumonia using deep learning continues, the contents of this thesis research can be used as basic data, and furthermore, it is expected that it will be helpful in selecting an efficient learning rate in classifying medical images using artificial intelligence.

국문 초록 (Abstract)

본 연구는 딥러닝을 이용한 흉부 X선 폐렴 영상에 대하여 정확하고 효율적인 의료영상의 자동진단을 위해서 가장 효율적인 학습률을 제시하고자 하였다.
Inception V3 딥러닝 모델에 학습률을 0.1, 0.01, 0.001, 0.0001로 각각 설정한 후 3회 딥러닝 모델링을 수행하였다. 그리고 검증 모델링의 평균 정확도 및 손실 함수 값, Test 모델링의 Metric을 성능평가 지표로 설정하여 딥러닝 모델링의 수행 결과로 획득한 결과값의 3회 평균값으로 성능을 비교 평가하였다.
딥러닝 검증 모델링 성능평가 및 Test 모델링 Metric에 대한 성능평가의 결과, 학습률 0.001을 적용한 모델링이 가장 높은 정확도와 우수한 성능을 나타내었다. 이러한 이유로 본 논문에서는 딥러닝 모델을 이용한 흉부 X선 영상에 대한 폐렴 유무 분류 시 학습률을 0.001로 적용할 것을 권고한다. 그리고 본 논문에서 제시하는 학습률의 적용을 통한 딥러닝 모델링 시 흉부 X선 영상에 대한 폐렴 유무 분류에 대한 인력의 보조적인 역할을 수행할 수 있을 거라고 판단하였다.
향후 딥러닝을 이용한 폐렴 유무 진단 분류 연구가 계속해서 진행될 시, 본 논문의 논문 연구 내용은 기초자료로 활용될 수 있다고 여겨지며 나아가 인공지능을 활용한 의료영상 분류에 있어 효율적인 학습률 선택에 도움이 될 것으로 기대된다.

참고문헌 (Reference)

1 송호준 ; 이은별 ; 조흥준 ; 박세영 ; 김소영 ; 김현정 ; 홍주완, "컨볼루션 뉴럴 네트워크 기반의 딥러닝을 이용한 흉부 X-ray 영상의 분류 및 정확도 평가" 한국방사선학회 14 (14): 39-44, 2020

2 이주희 ; 강봉순, "적응형 학습률을 통한 머신러닝 기반 알고리즘의 성능 개선" 한국정보기술학회 18 (18): 9-14, 2020

3 김주은, "인공지능이 인간사회에 미치는 영향에 대한 연구" 국제문화기술진흥원 5 (5): 177-182, 2019

4 김영재 ; 김광기, "의료 영상에 최적화된 딥러닝 모델의 개발" 대한영상의학회 81 (81): 1274-1289, 2020

5 정우연 ; 김정훈 ; 박지은 ; 김민정 ; 이종민, "심장비대증 환자의 흉부 X선 영상에 대한 Inception V3 알고리즘의 분류 성능평가" 한국방사선학회 15 (15): 455-461, 2021

6 강민제, "딥러닝을 위한 경사하강법 비교" 한국산학기술학회 21 (21): 189-194, 2020

7 송경두 ; 김명찬 ; 도신호, "딥러닝 알고리즘 개발과정을 통해 본 영상의학분야에서 딥러닝의 최신 경향" 대한영상의학회 80 (80): 202-212, 2019

8 안경희 ; 엄성용, "딥 러닝 기반 코로나19 흉부 X선 판독 기법" 국제문화기술진흥원 6 (6): 789-795, 2020

9 임태환 ; 임근옥 ; 정성욱 ; 한승철, "국방의료 데이터기반의 딥러닝을 활용한 질병 진단 연구" 한국디지털콘텐츠학회 22 (22): 1359-1367, 2021

10 "https://eda-ai-lab.tistory.com/13"

11 C. Szegedy, "Rethinking the Inception Architecture for Computer Vision" 2818-2826, 2016

12 L. Yao, "Learning to diagnose from scratch by exploiting dependencies among labels"

13 N. Dong, "Inception v3 based cervical cell classification combined with artificially extracted features" 93 : 106311-, 2020

14 A. Krizhevsky, "ImageNet classification with deep convolutional neural networks" 60 (60): 84-90, 2017

15 박수은, "Epidemiology, virology, and clinical features of severe acute respiratory syndrome -coronavirus-2 (SARS-CoV-2; Coronavirus Disease-19)" 대한소아청소년과학회 63 (63): 119-124, 2020

16 K. W. Yang, "Digital Walkie-Talkie Identification scheme based on Convolutional Neural Network" 1210-1211, 2019

17 J. K. Lee, "Detection and Classification of Pneumothorax and Pneumonia through Deep Learning in Chest X-ray" Graduate of National university of Chung-buk 2020

18 N. Petrosillo, "COVID-19 SARS and MERS : are they closely related?" 26 (26): 729-734, 2020

19 S. J. Kim, "COVID-19 Chest X-ray reading Technique based on Deep Learning" 29 (29): 31-32, 2021

20 H. Huhtanen, "Automated detection of pulmonary embolism from CT-angiograms using deep learning" 22 : 2022

21 M. Rastgarpour, "Application of AI Techniques in Medical Image Segmentation and Novel Categorization of Available Methods and Tools" 2188 (2188): 519-523, 2011

22 G. Litjens, "A survey on deep learning in medical image analysis" 42 : 60-88, 2017