생성 이미지와 Copy-Paste 데이터 증강을 통한 대장내시경 용종이미지 반지도학습 성능향상 연구 (A Study on Improving Semi-Supervised Learning Performance for Colonoscopy Polyp Images through Generated Images and Copy-Paste Data Augmentation)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 34권 / 6호 / 493 ~ 501페이지
· 저자명 : 조수빈, 신영학

초록

딥러닝 분야에서 데이터는 성능을 결정하는 중요한 요소 중 하나이다. 그러나 의료영상 데이터는 전문가의 라벨링이 요구되고, 개인정보 보호 문제 등으로 인해 수집이 어려워, 의료영상 딥러닝 모델의 성능향상에 한계가 존재한다. 이를 해결하기 위해, 본 연구에서는 대장내시경 용종 검출 분야에서 데이터 증강 기법을 활용하여 이미지 반지도학습의 성능을 향상하고자 하였다. 제안된 방법은 세 가지로, 첫째, 라벨이 있는 데이터와 라벨이 없는 데이터에각각 서로 다른 생성 이미지를 추가하는 방법, 둘째, 첫 번째 방법에 Copy-Paste 기법을 적용하여 데이터의 수를 두 배로 늘리는 방법, 셋째, 동일한 생성 이미지를 라벨이 있는 데이터와 없는 데이터에 추가하고 Copy-Paste 기법을 적용하는 방법이다. 실험 결과, 제안된 세가지 방법 모두 기존 반지도학습 방법에 비해 성능이 향상됨을 확인할 수 있었으며, 특히 라벨이 있는 데이터와 라벨이 없는 데이터에 서로 다른 생성 이미지를 추가하고 Copy-Paste기법을 적용한 방법이 성능향상에 가장 큰 효과를 보였다.

영어초록

In the field of deep learning, data is one of the key factors that determine performance.
However, medical imaging data requires expert labeling and is difficult to obtain due toprivacy concerns, which limits the performance improvement of medical imaging deeplearning models. To address this issue, this study aims to enhance the performance ofsemi-supervised learning in colonoscopy polyp detection by utilizing data augmentationtechniques. Three methods are proposed: first, adding different generated images tolabeled and unlabeled data separately; second, applying the Copy-Paste technique to thefirst method, thereby doubling the amount of data; third, adding the same generatedimages to both labeled and unlabeled data and applying the Copy-Paste technique.
Experimental results showed that all three methods improved performance compared toexisting semi-supervised learning approaches, with the method of adding differentgenerated images to labeled and unlabeled data along with Copy-Paste augmentationdemonstrating the most significant performance improvement.

참고자료

· 없음