도메인 강건성을 위한 해부학적 구조를 반영한 폐 영역 분할 모델 = Lung Segmentation Incorporating Anatomical Priors for Domain Robustness
저자
발행사항
서울 : 서울과학기술대학교 대학원, 2020
학위논문사항
학위논문(석사)-- 서울과학기술대학교 대학원 : 데이터사이언스학과 2020. 2
발행연도
2020
작성언어
한국어
주제어
발행국(도시)
서울
형태사항
26 cm
일반주기명
지도교수: 황상흠
UCI식별코드
I804:11034-200000290833
소장기관
흉부 X-ray 영상에서의 폐 영역 분할은 컴퓨터를 이용한 흉부 영상 분석에 있어 기본적인 단계이다. 심층 신경망 기반의 폐 영역 분할 모델은 높은 정확도를 보이지만 영상 획득 장비, 환자 개인의 특성 등의 데이터 도메인 변화에 민감하다는 단점을 가지고 있다. 기존 연구에서는 응용하는 분야(task)는 같지만 분포가 다른 데이터 셋들을 소스 도메인과 타겟 도메인으로 정의하고, 소스 데이터와 타겟 도메인 데이터의 분포를 가깝게 하여 성능의 차이를 줄인다. 이 방법은 학습 과정에서 타겟 도메인의 데이터를 필요로 한다는 한계점을 가진다. 한편 의료영상 분야에서 장기의 형태와 위치에 대한 해부학적 지식을 모델에 반영시키는 방법은 영역 분할 성능을 향상시키는 중요한 요소로 다루어져왔다. 기존 연구에서는 여러 종류의 사전 지식이 객체의 모양, 경계, 정규화 방식 등 다양한 형태로 활용되어 왔다. 하지만 기존 연구들은 도메인 강건성에 초점을 맞추기 보다는 영역분할 성능 향상에 초점을 맞추어서 연구가 수행되어져 왔다. 본 연구에서는 영역 분할 모델이 오토인코더를 통해 학습된 해부학적 특징 공간 하에서 예측이 수행되도록 제약하는 방법을 제안한다. 제안 하는 방법은 타겟 도메인 데이터를 학습 과정에 반영하지 않고도 영역 분할 성능 향상과 도메인 변화에 대한 강건성을 보인다. 본 연구에서는 폐 영역 분할 문제의 공개 데이터 셋들을 이용하여 제안한 모델의 도메인 강건성을 실험적으로 확인했다.
더보기Lung segmentation in chest X-ray images is a basic step for the development of a computer-aided diagnosis system. A deep neural network-based lung segmentation model has high accuracy but has the disadvantage of being sensitive to subtle changes in data domains such as imaging acquisition equipment and patient individual characteristics. Many previous studies have tackled this problem in the framework of domain adaptation or generalization. However, this approach requires the target domain data in the learning process. On the other hand, the method of incorporating anatomical knowledge into the learning process has been studied to improve segmentation performance in the area of medical imaging. The previous studies have been conducted focusing on the improvement of segmentation performance rather than focusing on domain robustness. In this study, a new training method with anatomical priors is proposed to obtain the lung field segmentation model which is robust to the change of data domains. Specifically, the proposed method constrains the segmentation model to perform predictions under the anatomical feature space learned through the autoencoder. The domain robustness of the proposed method was experimentally confirmed using the public chest X-rays datasets.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)