흉부 X-ray 영상의 폐 결절 석회화 진단을 위한 특징 융합 학습 모델
Feature Fusion-Learning Model for Diagnosis of Calcification in Nodule on Chest X-ray
초록/요약
Diagnosis of diseases by chest X-ray is diverse, including tuberculosis, interstitial lung disease, pneumonia, and lung cancer. It is also an important factor that can continue/stop the progression of unnecessary or additional examination with an initial diagnosis. (e.g., CT, MRI, biopsy, etc.) This paper deals with nodules among lung diseases of chest X-ray with these characteristics. Nodule is an early symptom of lung cancer and is one of the most aggressive cancers with a low survival rate. This is followed up for several years or checks for calcifications to identify nodule that concern for lung cancer. If there is calcification in the nodule, it has a characteristic that the possibility of lung cancer is significantly lowered, which plays a large role in early diagnosis. However, studies to detect nodule have been active until recently, but studies to diagnose calcification to determine malignant/benign nodule are insufficient. In this paper, we propose a calcification diagnosis model that can extract nodule in chest X-rays using deep learning and train them together with the original chest X-ray. The proposed method designs inpainting method and denoising procedures to extract only lung nodule region in chest X-ray. And this paper designs a feature fusion-based calcification diagnosis model that can simultaneously train the overall information of the original nodule and the information focused on the features of only the nodule. This is a method for diagnosing calcification of nodule with the comprehensive information of the two images of nodule. The proposed nodule feature extraction was applied to the lung nodule dataset. As a result of training the feature fusion-based calcification diagnosis model, it was confirmed that the performance of the accuracy +3.54% and AUC +3.85% was improved compared to the single model learning only the original nodule of chest X-ray.
more초록/요약
흉부 X-ray 영상을 통한 질병 진단은 결핵, 간질성 폐 질환, 폐렴, 폐암 등 다양하며, 초기 진단으로 불필요하거나 추가적인 검사(예: CT, MRI, 생검 등)의 진행을 계속/중지할 수 있는 중요한 요인으로 작용한다. 본 논문에서는 이러한 특성을 가진 흉부 X-ray 영상의 폐 질환 중 폐 결절을 대상으로 한다. 폐 결절은 폐암의 초기 증상으로 생존율이 낮은 가장 공격적인 암 중에 하나로, 폐암의 우려가 있는 폐 결절을 감별하기 위해 수년간 추적 검사나 석회화가 있는지 확인한다. 만일, 석회화가 있을 경우 폐암의 가능성이 현저히 낮아지는 특징을 가지며, 이는 초기 진단에 큰 역할을 한다. 하지만 폐 결절을 감지하는 연구들은 최근까지도 활발하지만 악성/양성 폐 결절을 판단하기 위한 석회화를 진단하는 연구는 미비하다. 본 논문에서는 딥러닝 기술을 활용하여 흉부 X-ray 영상 내의 폐 결절을 추출하고, 원본 영상과 함께 학습할 수 있는 석회화 진단 모델을 제안한다. 제안하는 방법은 흉부 X-ray 영상에서 폐 결절 영역만을 추출하기 위한 인페인팅 및 노이즈제거 절차를 설계한다. 그리고 원본 폐 결절 영상의 전체적인 정보와 폐 결절만의 특징에 초점 맞춘 정보를 동시에 학습할 수 있는 특징 융합 기반 석회화 진단 모델을 설계하여 폐 결절의 석회화를 두 영상들의 종합적인 정보로 진단할 수 있는 방법을 제안한다. 제안하는 폐 결절 특징 추출을 폐 결절 데이터셋에 적용하고, 특징 융합 기반의 석회화 진단 모델에 학습한 결과 원본 영상만 학습한 단일 모델보다 정확도 +3.54%, AUC +3.85%의 성능이 향상됨을 확인하였다.
more목차
제1장 서론 1
제2장 관련 연구 5
제1절 딥러닝 기반 악성/양성 폐 결절 진단 5
제2절 악성/양성 폐 결절의 특징 추출 6
제3절 의료 영상 특징 융합 기술 7
제3장 석회화 진단 모델 구축을 위한 전처리 기법 9
제1절 폐 결절 추출을 위한 인페인팅 모델 10
제2절 추출 영상의 노이즈 제거 기법 11
제4장 폐 결절 석회화 진단 모델 설계 14
제1절 폐 결절 영상 특징 추출 절차 14
제2절 특징 융합 기반 석회화 진단 모델 16
제5장 실험 및 평가 18
제1절 데이터셋 18
제2절 폐 결절 특징 추출 실험 19
a. 정상 패치 데이터셋 생성 19
b. 인페이팅 모델 학습 20
제3절 폐 결절의 석회화 진단 실험 23
a. 석회화 진단을 위한 데이터셋 구축 23
b. 석회화 진단 모델 학습 결과 25
제6장 결론 27
제7장 참고문헌 28
Abstract 33
