흉부 X-선 영상에서 밝기값 정규화 및 다중 스케일 폐-집중 패치를 사용한 앙상블 딥러닝 모델 기반의 폐렴 자동 분류 (Automatic Classification of Pneumonia Based on Ensemble Deep Learning Model Using Intensity Normalization and Multiscale Lung-Focused Patches on Chest X-Ray Images)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 49권 / 9호 / 677 ~ 685페이지
· 저자명 : 김윤조, 안진서, 홍헬렌

초록

소아 흉부 X-선 영상(CXR)은 밝기값이 불규칙하여 정상과 폐렴을 구분하기 어렵다. 또한 딥러닝 모델은 폐의 외부 영역에 잘못 집중하여 CXR을 오분류할 수 있다는 한계가 있다. 본 논문은 CXR 영상에서 밝기값 정규화 및 다중 스케일 폐-집중 패치를 사용한 앙상블 딥러닝 기반 폐렴 자동 분류 방법을 제안한다. 첫째, 불규칙한 폐 내부 밝기값을 개선하기 위해 세 가지 밝기값 정규화 방법을 각각 수행한다. 둘째, 폐 내부에 집중하여 학습하기 위해 폐 영역을 분할하여 관심 영역을 추출한다. 셋째, 다중 스케일 폐-집중 패치를 사용하여 폐렴의 특징을 학습한다. 마지막으로 분류 성능을 향상시키기 위해 어텐션 모듈을 추가한 앙상블 모델을 사용한다. 실험 결과, CLAHE를 적용한 큰 크기의 패치 사용 시 정확도 92%로 원 영상 대비 5%p 향상된 성능을 보였다. 또한 큰 크기와 중간 크기의 패치를 앙상블한 제안 방법이 정확도 93%로 가장 좋은 성능을 보였다.

영어초록

It is difficult to classify normal and pneumonia in pediatric chest X-ray (CXR) images due to irregular intensity values. In addition, deep learning model has a limitation in that it can misclassify CXR by incorrectly focusing on the outer part of the lung. This study proposed an automatic classification of pneumonia based on ensemble deep learning model using three intensity normalizations and multiscale lung-focused patches on CXR images. First, to correct for irregular intensity values in internal lungs, three intensity normalization methods were performed respectively.
Second, to focus on internal lungs, regions of interest were extracted by segmenting lung regions.
Third, multiscale lung-focused patches were extracted to train the characterization of pneumonia.
Finally, ensemble modeling with attention module was performed to improve the classification performance. In the experiment, the method using large patches of CLAHE images showed an accuracy of 92%, which was 5% higher than that of original images. Furthermore, the proposed method using an ensemble of large and middle patches showed the best performance with an accuracy of 93%.

참고자료

· 없음