3D Dense U-Net++을 이용한 다발성 경화증 병변 자동 검출 (Automatic Detection of Multiple Sclerosis Lesion using 3D Dense U-Net++)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 20권 / 12호 / 149 ~ 156페이지
· 저자명 : 이재준, 이해연

초록

다양한 의료 분야에 인공지능이 활용되는 사례가 증가하고 있다. 그러나 뇌의 다발성 경화증과 같은 진단이 어려운 질병은 높고 신뢰할 수 있는 전문적인 기술이 필요하다. 최근에는 딥러닝을 접목하여 효율성 및 정확성을 높이는 연구가 이루어지고 있다. 본 논문에서는 다발성 경화증 병변 검출을 위하여 U-Net++ 아키텍처와 인코더에 Dense Block을 결합한 3D Dense U-Net++ 아키텍처를 제안하였다. 제안하는 방법의 성능 검증은 2008 MICCAI MS Lesion Segmentation Challenge 데이터셋을 사용하였고, 데이터 개수가 부족한 문제를 보완하기 위해 증강 기법을 적용하였다. 제안하는 방법을 Residual 3D U-Net 모델 및 3D Dense U-Net 모델과 정확도를 비교하였고, 평균적으로 4.1%, 5.6% 및 3.5%, 4.1%의 향상된 DSC와 mean IoU 정확도를 보였다.

영어초록

Artificial intelligence is being used in various medical fields and its use is increasing. However, diseases that are difficult to diagnose, such as brain multiple sclerosis, require high and reliable expertise. Recently, research has been conducted to increase efficiency and accuracy by applying deep learning. In this paper, we propose a 3D Dense U-Net++ architecture for multiple sclerosis lesion detection that combines a U-Net++ architecture with a dense block within the encoder. To verify the performance of the proposed method, the 2008 MICCAI MS Lesion Segmentation Challenge dataset was used and the augmentation technique was applied to compensate for the lack of data counts. The accuracy of the proposed method was compared with the Residual 3D U-Net model and the 3D Dense U-Net model, and showed improved DSC and mean IOU accuracy of 4.1%, 5.6% and 3.5%, 4.1% on average.

참고자료

· 없음