https://www.nature.com/articles/s41598-019-50437-0
GoogLeNet, ResNet, VGGNet 등 다양한 CNN 모델 사용해 개 각막궤양의 심각도를 자동 분류, CNN 모델 성능 비교
배경 및 문제점
- 각막궤양은 개에서 흔히 발생하는 심각한 안구질환으로 정확한 진단이 중요함
- 기존 진단 방법은 시간 많이 들고 진단 결과가 사람마다 다를 수 있음
- CNN 활용한 자동화된 진단 시스템 필요함
연구 방법
- 각막 이미지를 CNN에 입력해 정상, 얕은 궤양, 깊은 궤양으로 분류함
- 데이터 증강과 교차 검증 통해 모델 성능 평가함
- 전이 학습 통해 사전 학습된 모델 이용하여 초기 성능 개선함
1. 데이터 수집, 이미지 처리
- 2015년부터 2017년까지 건국대학교 VMTH와 3개의 수의 안과 전문 병원에서 각막 궤양 환자로부터 총 368장의 각막 이미지 수집
- 이미지들은 병변 부분만 포함되도록 crop됨
- 수집된 이미지는 크기와 해상도가 다양했으며, 모델 학습 위해 224×224 픽셀로 크기 조정
2. 라벨링
- 라벨링: 정상 상태, 얕은 각막 궤양, 깊은 각막 궤양으로 구분
- 정상 상태를 나타내는 라벨 "1"은 궤양이 발견되지 않은 상태의 이미지를 나타냈으며, 얕은 각막 궤양을 나타내는 라벨 "2"는 각막 상피층에만 손상 있는 경우를 나타냄. 깊은 각막 궤양을 나타내는 라벨 "3"은 각막 기질 결손이 있는 상태로, 이미지를 기반으로 기질 손상, Descemetocoeles, 또는 각막 천공이 의심되는 경우였음
- 각막 궤양의 심각도는 모든 각막 이미지를 바탕으로 진단한 의사의 판단에 따라 분류됨
3. 훈련 및 검증 데이터셋 구성
- 라벨이 지정된 이미지 데이터는 학습을 위해 train 이미지 데이터셋(정상 27장, 얕은 35장, 깊은 34장)과 학습된 모델로 정확도를 평가하기 위한 val 이미지 데이터셋(정상 9장, 얕은 12장, 깊은 13장)으로 나눔
- 데이터 증강 통해 회전 및 플리핑(flip) 포함한 다양한 변형 적용
- 회전 각도는 90도, 180도, 270도였으며, 수평 및 수직 플리핑 통해 데이터 추가 변형
4. 모델 학습 및 평가
- TensorFlow 사용해 GoogLeNet, ResNet, VGGNet 모델을 학습시켰으며, 모든 라벨링된 이미지는 TensorFlow의 TFRecord 형식으로 변환됨
- TFRecord는 모델 학습 및 평가 위해 데이터를 미리 처리하여 TensorFlow가 인식할 수 있도록 변환한 형식임
- 실험은 '얕은 궤양과 깊은 궤양', '정상, 얕은 궤양, 깊은 궤양'으로 나누어 모델 성능을 평가함
- 모델은 ImageNet으로 학습된 CNN 모델의 가중치 사용해 최종 완전 연결층에서 미세 조정되었으며, 이를 통해 각막 궤양의 심각도 예측함
실험 결과
- ResNet과 VGGNet은 90% 이상의 높은 정확도 기록함
- GoogLeNet은 상대적으로 낮은 성능 보임
결론
- CNN 모델은 개의 각막궤양 진단에서 유용하게 사용될 수 있으며 특히 ResNet과 VGGNet 모델이 높은 성능 보임
- 의료 영상에서 CNN 활용한 진단 시스템은 빠르고 정확한 결과 제공할 수 있음
