최적화된 결합 손실 함수와 통합 셀프 어텐션 기법을 통한 의료 이미지 데이터 세그멘테이션 연구
- 주제(키워드) semantic segmentation , 의료 이미지 , 손실 함수 , U-Net , 이미지 처리
- 주제(DDC) 006.31
- 발행기관 아주대학교
- 지도교수 유종빈
- 발행년도 2023
- 학위수여년월 2023. 8
- 학위명 석사
- 학과 및 전공 일반대학원 인공지능학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032910
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 논문의 목적은 의료 영역의 이미지 segmentation의 성능을 개선하여 기존보다 더 나은 모델을 만드는 것이 목적이다. 기존의 이미지와 달리 의료 영역의 이미지들은 x-ray와 CT 등 데이터의 형태가 다른 분포를 보이고 있을 뿐만 아니라, 적은 데이터셋과 레이블링의 어려움 등으로 인하여 최적화된 모델의 개발은 필수적이다. 이를 위해 우리는 두 가지 형태의 개선 방식을 개발하였다. 기존의 실험에서는 손실 함수를 학습에 이용할 때 특별한 분석 없이 같이 사용하여 좋은 성능을 내였다. 우리는 데이터셋의 양성 영역과 음성 영역의 초점을 맞추어 가장 최적화된 손실 함수를 사용하는 방법을 제안하였다. 이를 통해 기존의 학습 결과보다 성능을 개선하였다. 또 다른 개선 방식으로는 Vision Transformer의 인코더를 개선하여 segmentation 성능을 개선하는 모델을 제안하였다. 기존에 Vision Transformer를 의료 이미지 segmentation에 활용할 때 하나의 층에서 하나의 encoder block만 사용했던 모델들과 달리, 우리는 크기가 다른 세 개의 block을 하나의 layer에 사용하는 GSA Block을 개발하였다. GSA Block을 통해 기존에 보지 못했던 다양한 이미지의 정보를 한 번에 학습하여 모델의 성능을 개선하였다. 본 연구에서는 의료 이미지 segmentation 수행 시에, 의료 이미지에 맞는 개선점들이 많고, 이를 학습 시에 쓰이는 다양한 부분들을 개선하여 더 나은 모델을 만들 수 있음을 보였다.
more목차
제 1장 서론 1
제 1절 연구 동기 1
제 2절 연구 내용 및 논문 구성 3
제 2장 Background 및 관련 연구 4
제 1절 Background 4
1. 손실 함수 4
2. 여러 유형의 이미지 segmentation을 처리하는 딥러닝 모델 5
제 3장 의료 영역에서 segmentation을 개선하는 연구 6
제 1절 Joint Optimization Loss를 이용한 성능 개선 연구 6
제 2절 GSA Block을 이용한 성능 개선 연구 8
제 4장 실험 및 분석 10
제 1절 데이터셋 및 실험 구성 10
제 2절 성능 평가 및 분석 11
1. Joint Optimization Loss를 이용한 실험 11
2. GSA Block을 사용한 실험 15
제 5장 결론 19
참고문헌 20
