생성형 딥러닝 모델을 이용한 대퇴골두 무혈성 괴사 데이터 증강 (Data Augmentation for the Femoral Head Using Generative Deep Learning Models)

서지정보

· 발행기관 : 대한기계학회
· 수록지 정보 : 대한기계학회논문집 B / 49권 / 2호 / 109 ~ 119페이지
· 저자명 : 원준희, 고태식, 이정섭, 임희창

초록

인공지능 기술의 발전으로 머신러닝과 딥러닝이 의료 분야에서 주목받고 있으나, 적은 데이터셋에서는 성능 향상에 한계가 있다. 본 연구는 1,354개의 무혈관 괴사(AVN) 이미지를 사용해 StyleGAN2와 Projected-GAN의 성능을 비교하였다. 실험 결과, StyleGAN2는 FID 점수 67.0과 40시간의 학습 시간이 소요된 반면, Projected-GAN은 FID 8.7과 22시간으로 더 우수한 성능을 보였다. Projected-GAN으로 증강된 데이터를 사용한 예측 성능은 72.68%로, 기존 데이터의 61.34%보다 향상되었음을 확인했다. 물론, 기본적인 모델의 분류 성능이 상대적으로 낮다는 점을 감안할 때 추가적인 검증과 신중한 해석이 필요하지만, 이러한 결과는 의료 영상 분석과 진단 보조에 유용한 도구로 사용될 가능성을 시사한다.

영어초록

With the advancement of AI, machine learning and deep learning are gaining attention in the medical field. This study compares the performance of StyleGAN2 and Projected-GAN using 1,354 AVN images. StyleGAN2 achieved an FID score of 67.0 with 40 hours of training, while Projected-GAN showed superior performance with an FID score of 8.7 in 22 hours. Projected-GAN improved prediction accuracy to 72.68%, up from 61.34% using only the original data. These results suggest Projected-GAN could be a valuable tool for medical image analysis.

참고자료

· 없음