earticle

영어

Since December 2019, the global medical system has collapsed due to the explosive infection caused by the corona-virus(COVID-19, SARS-CoV-2). As a new approach to overcome this, the need for an automated pneumonia inspection system facilitated by deep learning has been raised. In the convolutional neural network(CNN) for the diagnosis of pneumonia based on X-ray images, the preprocessing of training data has a significant effect on the performance. In particular, in X-ray medical images for pneumonia diagnosis, the texture information on the lesion plays an important role in detecting local features in the image, and thus the data preprocessing technique is very important. In this study, we applied Image Super Resolution techniques to the medical image dataset for pneumonia diagnosis and examined how the model's performance changes according to the process of data preprocessing. Before learning the input dataset image with the DenseNet classifier, the high resolution image of the original dataset is reduced to 256×256, 700×700 and 1000×1000 size, and then Residual Dense Networks based image super resolution techniques were applied. After resizing the image to 224×224, which is the default input size of the DenseNet classifier, the classifier was trained. Through this process, various high-resolution techniques based on the residual dense network were compared. As a result, the Noise-Cancel model showed the best performance with 83.5602% accuracy for the image whose resolution was doubled of the original image.

한국어

2019년 12월부터 전 세계적으로 유행한 코로나바이러스감염증(COVID-19, SARS-CoV-2)에 기인한 폭발적인 전염으로 세계 각국에서 의료체계 붕괴 현상이 나타나고 있다. 이를 극복하기 위한 새로운 수단으로 딥러닝 시스템 을 활용한 자동화된 폐렴(Pneumonia) 판독 시스템의 필요성이 제기되고 있다. X-ray 영상 기반 폐렴 진단을 위 한 합성곱 신경망(Convolutional Neural Network, CNN)은 학습 데이터에 대한 전처리 과정이 이후 성능에 많 은 영향을 미친다. 특히 폐렴 진단을 위한 X-ray 의료영상은 병변에 대한 텍스쳐 정보가 영상 내 국소적 특징을 잡 아내는 데 중요한 역할을 하므로, 이와 관련된 데이터 전처리 기법이 상당히 중요하다. 본 연구에서는 폐렴 진단용 의료영상 데이터셋에 영상 해상도 향상(Image Super Resolution, ISR) 기법을 적용하여 모델의 성능이 데이터 전처리의 과정에 따라 어떻게 변화하는지를 살펴보았다. DenseNet 분류기로 입력 데이터셋 영상을 학습하기 전에 원본 데이터셋의 고해상도 영상을 256×256, 700×700, 1000×1000 크기로 줄인 후 잔류 밀집 네트워크 (Residual Dense Network, RDN) 기반 영상 해상도 향상 기법을 적용하였다. DenseNet 분류기의 기본 입력 크기인 224×224로 영상 크기를 다시 조절한 뒤 분류기를 학습하였다. 이 과정을 통해 잔류 밀집 네트워크 기반 다 양한 고해상도 기법들을 비교 실험하였으며, 그 결과 Noise-Cancel 모델이 원본 영상의 해상도를 2배 키운 영상에 대한 분류기 성능이 83.5602%의 정확도를 보이며 가장 우수한 성능을 나타냈다.