딥러닝을 이용한 유방조영술의 종양 분할 (Segmentation of Mass in Mammography using Deep Learning)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 31권 / 1호 / 75 ~ 81페이지
· 저자명 : 김보라, 김혜원, 김재희, 장설봉, 김용수

초록

유방 종양은 유방암의 증상 중 하나이며 유방암은 여성에게서 흔히 발병하는 질병이다. 유방 종양은 초기 검사인 유방조영술에서 발견되므로 초기 진단이 매우 중요하다. 하지만 유방 종양을 탐지하는 것은 전문가에게도 어려운 일이다. 최근 딥러닝을 사용하여 유방조영술영상에서 병변을 찾으려는 노력이 이루어지고 있으며 본 논문에서는 딥러닝을 사용하여 유방조영술 영상에서 유방 종양을 분할하고자 한다. CBIS-DDSM(Curated Breast Image Subset of Digital Database for Screening Mammography) 데이터를 수집하고 데이터에 전처리를시행한다. 의미론적 분할 모델인 FCN(Fully Convolutional Network), U-Net과 CNN(Convolutional Neural Network) 백본망인 VGGNet(Visual Geometry Group Net), EfficientNet 모델의 조합으로 4개의 모델을 구성하여 학습 기법을 사용하여 학습한다. 평가 데이터를 통해 유방 종양이 예측된 마스크와 유방 종양을 나타내는 실제 마스크를 사용하여 얼마나 유사하게 분할하였는지 시각화하고 구성한 모델의 성능을 비교한다. U-Net-EfficientNet 모델이 85.91%로 가장 높은 성능을 보여주었고, U-Net-VGG-Net 모델이 63.56%로 가장 낮은성능을 보여주었다

영어초록

Breast tumor is one of the symptoms of breast cancer. And breast cancer is a common disease in women. Initial diagnosis is very important because breast tumors are found by mammography, which is an initial examination. However, detecting breast tumor is difficult even for experts. Efforts have recently been made to use deep learning to look for lesions in mammographic images. Many papers used deep learning to isolate breast tumors from mammographic images. We collect CBISDDSM( Curated Breast Image Subset of Digital Database for Screening Mammography) data and preprocess the data. Semantic segmentation model, which is FCN(Fully Convolutional Network) and U-Net, is combined with CNN(Convolutional Neural Network) backbone, which is VGGNet(Visual Geometry Group Net) and EfficientNet, to construct four models. The four models are trained using learning methods. The evaluation data are used to visualize the similarity between the segmented result using a predicted mask and the actual mask showing breast tumors. The performances of the constructed models are compared. The U-Net-EfficientNet model showed the highest performance at 85.91%, and the U-Net-VGGNet showed the lowest performance at 63.56%.

참고자료

· 없음