earticle

영어

In this study, to introduce artificial intelligence technology in the field of diagnostic testing, online classification using images is applied to specimen classification equipment, which is a pre-processing tool for examination. For this purpose, EfficientNet implemented in Python was applied to the C# program, which is the actual control software. The image classification algorithm is implemented in the C# based control program by converting the PyTorch model to the ONNX model and calling the deep learning model through the pipeline. After conversion, the classification is verified in real environment to show whether the algorithm is properly performed. The existing PyTorch model showed a high accuracy of 99% in the offline test, but during onlie verification, 9 errors occurred due to trigger time error among a total of 500 verification samples, and the actual classification error are 16 cases, showing the classification accuracy of 95.91%. In order to achieve product-level high classification accuracy in various medical environments, it is necessary to collect and learn more image data under varying lighting conditions.

한국어

본 연구에서는 진단검사 분야에 인공지능 기술을 도입하기 위해 검사를 위한 전처리 도구인 검체 분류 장비에 영상 기반의 온라인 분류를 적용하였다. 이를 위해 실제 제어 소프트웨어인 C# 프로그램에 Python으로 구현된 EfficientNet을 적용하였다. 이미지 분류 알고리즘은 PyTorch 모델을 ONNX 모델로 변환하고 파이프라인을 통 해 딥 러닝 모델을 호출하여 C# 기반 제어 프로그램에서 구현된다. 변환 후 실제 환경에서 분류를 검증하여 알고리 즘이 제대로 수행되었는지를 확인한다. 기존 PyTorch 모델은 오프라인 테스트에서는 99%의 높은 정확도를 보였 지만, 온라인 검증 시 총 500개의 검증 샘플 중 트리거 시간 오차로 인해 9개의 오차가 발생했으며, 실제 분류 오차 는 16건으로 95.91%의 분류 정확도를 보였다. 다양한 의료 환경에서 제품 수준의 높은 분류 정확도를 달성하려면 다양한 조명 조건에서 더 많은 이미지 데이터를 수집하고 학습해야 할 것으로 생각된다.