2.5차원 다중뷰 기반 특징 및 데이터 확장을 통한 간유리음영 결절의 다중클래스 분류 (Multi-class Classification of Ground-glass Nodules using 2.5-dimensional Multiview-based Features and Data Augmentation)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 24권 / 10호 / 527 ~ 533페이지
· 저자명 : 이선영, 정주립, 홍헬렌, 송용섭, 김형진, 박창민

초록

간유리음영 결절은 내부 고형 성분의 포함 여부 및 크기에 따라 악성도가 달라지기 때문에 고형 성분의 크기에 따른 혼합 간유리음영 결절과 순수 간유리음영 결절을 구분하는 것이 중요하다. 그러나 고형 성분의 크기가 작은 혼합 간유리음영 결절은 순수 간유리음영 결절과 유사하게 나타나 구분이 어렵다. 본 논문에서는 다중뷰-슬랩 관심영역 기반 특징 및 데이터 확장을 통한 간유리음영 결절의 분류 방법을 제안한다. 첫째, 분류기의 훈련 데이터 수를 늘리고 과적합을 피하기 위해 데이터 확장을 수행한다. 둘째, 간유리음영 결절로부터 네 종류의 관심 영역을 생성한다. 셋째, 각 관심영역으로부터 고형 성분의 특성을 반영하는 특징을 추출하고 의미 있는 특징을 선별한다. 넷째, 랜덤 포레스트를 이용해 간유리음영 결절을 분류한다. 2.5차원 다중뷰-슬랩 관심영역을 이용한 분류 정확도는 84.05%로 3차원 관심영역과 2.5차원 다중뷰 관심영역을 이용한 정확도보다 각각 6.27%, 4.44% 높았다.

영어초록

Differentiation between part-solid ground-glass nodules (GGNs) with a variable sized solid component from pure GGNs is important because the malignancy rate of GGN is different according to the presence and size of solid components in chest CT images. However, because of their similar appearance, it is difficult to distinguish between part-solid GGN and pure GGN when the part-solid GGN includes small solid components. In this paper, we propose a multi-class classification method for GGN using multiview-slab region of interest (ROI)-based features and data augmentation.
First, data augmentation is performed to enlarge the training dataset of the classifier and to avoid the overfitting problem. Second, four ROIs are generated from a GGN. Third, features that reflect the characteristics of the solid component are extracted from each ROI, and significant features are selected for classification. Finally, GGNs are classified using the random forest (RF). In the experiments, the classification accuracy with 2.5-dimensional multiview-slab ROI was 84.05%, which was 6.27% and 4.44% higher than the classification accuracy with 3-dimensional ROI and 2.5-dimensional ROI, respectively.

참고자료

· 없음