데이터 불균형 해소를 위한 메타학습 기반 위 병변 객체탐지 알고리즘 연구 = Meta-Learning-Based Lesion Object Detection for Resolving Data Imbalance

국문 초록 (Abstract)

위장 질환, 특히 위암의 조기 발견과 정확한 진단은 환자의 생존율과 치료 효과를 향상하기 위해 중요하다. 그러나 증상이 미미하거나 무증상일 때 진단이 어려울 수 있다. 따라서 일반적으로 내시경 검사를 통해 진단한다. 그러나 내시경 전문의도 질환을 정확하게 식별하기 위해서는 높은 수준의 전문 지식이 필요하다. 인공지능을 내시경 영상과 통합함으로써 AI는 진단에 도움을 줄 수 있고, 놓치는 경우를 줄이며 조기 치료를 가능하게 하여 환자의 생존율을 향상할 수 있다. 또한, 이전 연구들은 주로 질환 분류와 평균 정밀도 향상에 초점을 맞추었으며, 불균형하고 제한적인 의료 데이터를 데이터 증강과 같은 방법을 통해 평균 정밀도를 올린 방법에서의 신뢰성에 대해 고민하지 않는다. 따라서, 본 연구에서는 모델에 중립적인 메타러닝(MAML)을 도입하여 불균형하고 제한적인 의료 이미지 데이터의 문제를 해결하는 방안을 제안한다. 실험 결과는 기존 YOLO 모델의 AP가 41.7%로 낮으며, 이는 데이터 불균형에 큰 영향을 받는다는 것을 보여준다. 데이터 증강 방법은 65.2%의 적지만 성능 향상을 보여주었다. 하지만 제안된 YOLO-MR 모델은 96%라는 높은 mAP를 달성했다. 이는 기존 YOLO 모델과 비교하여 54.3% 높이며, 다른 질병 클래스 간의 평균 정밀도 격차를 효과적으로 줄여 데이터 불균형 문제를 해결했다. 이 연구는 MAML과 잔여 블록과 같은 혁신적인 기술이 의료 이미지 인식에서 데이터 불균형을 해결하는 데 효과적임을 보여준다. 본 연구는 의료분야의 보안으로 제한적이고 불균형한 의료 데이터의 문제를 해결하는 데 상당한 잠재력을 보여준다.

다국어 초록 (Multilingual Abstract)

The early detection and accurate diagnosis of gastrointestinal diseases, including gastric cancer, play a crucial role in enhancing patient survival rates and treatment effectiveness. However, the diagnosis can be challenging in cases where symptoms are subtle or asymptomatic. Endoscopy is a commonly used diagnostic tool, but it requires a high level of expertise from specialists to accurately identify diseases. By integrating artificial intelligence with endoscopic images, AI can assist in the diagnosis process, reduce missed cases, enable early treatment, and ultimately improve patient survival rates. Previous studies have primarily focused on disease classification and mAP(Mean Average Precision) improvement, but limited attention has been given to addressing the reliability of medical data, which often suffer from imbalances and limited availability. In this study, we propose a novel solution to tackle the challenge of imbalanced and sparse medical image data by introducing model-agnostic meta-learning (MAML) into the You Only Look Once (YOLO) model with meta-recognition (YOLO-MR). Experimental results demonstrate that the conventional YOLO model achieves a low mAP of 41.7%, significantly influenced by data imbalance. Although traditional data augmentation methods provide a modest improvement of 65.2%, our proposed YOLO-MR model achieves a remarkable mAP of 96%. This represents a 54.3% increase in mAP compared to the existing YOLO model, effectively reducing the mAP gap between different disease classes and addressing data imbalances. Our study showcases the effectiveness of innovative techniques such as MAML and residual blocks in resolving data imbalances in medical image recognition. The findings hold considerable potential for addressing the problem of limited and imbalanced medical data in the healthcare field. Further research and implementation of these techniques can contribute to improving the reliability and mAP of disease diagnosis, ultimately benefiting patient outcomes.


Keyword : Endoscopy, you only look once (YOLO), meta-learning, model-agnostic meta-learning (MAML), residual block

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1. 연구의 배경과 목적 1
• 2. 관련 연구 3
• Ⅱ. 이론적 배경 6
• 1. 객체탐지(Object Detection) 6
• 1) One stage Detector 7
• 2) Two stage Detector 7
• 2. You Only Looking Once (YOLO) 8
• 3. 메타러닝 10
• 4. Residual Block 12
• 5. 성능평가지표 13
• 1) Precision 13
• 2) Recall 14
• 3) IOU (Intersection Over Union) 14
• 4) mAP (Mean Average Precision) 15
• Ⅲ. 연구 설계 및 방법 16
• 1. 연구 설계 16
• 2. 연구절차 및 방법 19
• 1) 실험 데이터셋 19
• 2) 실험 환경 구성 21
• 3) 실험 프로세스 21
• Ⅳ. 연구결과 22
• 1. 실험 22
• 1) YOLO 22
• 2) 데이터 증강을 활용한 YOLO 23
• 3) 제안하는 모델 26
• 2. 실험 결과 28
• Ⅴ. 결론 및 제언 31
• 참고문헌 33
• ABSTRACT 38