흉부 X-ray 기반 딥 러닝 손실함수 성능 비교·분석 = Comparison and analysis of chest X-ray-based deep learning loss function performance

다국어 초록 (Multilingual Abstract)

Artificial intelligence is being applied in various industrial fields to the development of the fourth industry and the construction of high-performance computing environments. In the medical field, deep learning learning such as cancer, COVID-19, and bone age measurement was performed using medical images such as X-Ray, MRI, and PET and clinical data. In addition, ICT medical fusion technology is being researched by applying smart medical devices, IoT devices and deep learning algorithms. Among these techniques, medical image-based deep learning learning requires accurate finding of medical image biomarkers, minimal loss rate and high accuracy. Therefore, in this paper, we would like to compare and analyze the performance of the Cross-Entropy function used in the image classification algorithm of the loss function that derives the loss rate in the chest X-Ray image-based deep learning learning process.

국문 초록 (Abstract)

4차 산업의 발전과 고성능의 컴퓨팅 환경 구축으로 다양한 산업분야에서 인공지능이 적용되고 있다. 의료분야에서는 X-Ray, MRI, PET 등의 의료 영상 및 임상 자료를 이용하여 암, COVID-19, 골 연령 측정 등의 딥 러닝 학습이 진행되었다. 또한 스마트 의료기기, IoT 디바이스와 딥 러닝 알고리즘을 적용하여 ICT 의료 융합 기술 등이 연구되고 있다. 이러한 기술 중 의료 영상 기반 딥 러닝 학습은 의료 영상의 바이오마커를 정확히 찾아내고, 최소한의 손실률과 높은 정확도가 필요하다. 따라서 본 논문은 흉부 X-Ray 이미지 기반 딥 러닝 학습 과정에서 손실률을 도출하는 손실함수 중 영상분류 알고리즘에서 사용되는 Cross-Entropy 함수들의 성능을 비교·분석하고자 한다.

참고문헌 (Reference)

1 김형일, "혼합적 속성관계에 기반한 의료영상 분류" 한국디지털콘텐츠학회 21 (21): 2033-2039, 2020

2 윤주영, "치매 진단을 위한 MRI 바이오마커 패치 영상 기반 3차원 심층합성곱신경망 분류 기술" 한국멀티미디어학회 23 (23): 940-952, 2020

3 손주형, "치매 진단을 위한 Faster R-CNN 활용 MRI 바이오마커 자동 검출 연동 분류 기술 개발" 한국멀티미디어학회 22 (22): 1168-1177, 2019

4 조영복, "초음파 영상에서 질병 추출을 위한Keras 기반의 CNN 모델" 한국디지털콘텐츠학회 19 (19): 1975-1980, 2018

5 강신태, "두 가지 유형의 바이오마커를 이용한 파킨슨병의 진단과 신경섬유 경로의 특징 분석" 한국정보처리학회 3 (3): 421-428, 2014

6 A. Belaid, "α Scale spaces filters for phase based edge detection in ultrasound images" 1247-1250, 2014

7 S. Kyle, "What are Biomarkers?" 5 (5): 463-466, 2011

8 M. Felsberg, "The monogenic signal" 49 (49): 3136-3144, 2001

9 G. Chandrika, "Study on Software Reliability and Reliability Testing" 사단법인 미래융합기술연구학회 1 (1): 7-20, 2015

10 I. Hacihaliloglu, "Localization of bone surfaces from ultra sound data using local phase information and signal transmission maps" 1-11, 2017

11 G. Meng, "Efficient Image Dehazing with Boundary Constraint and Contextual Regularization" 1247-1250, 2013

12 X. Qi, "Chest X-ray image phase features for improved diagnosis of COVID-19 using convolutional neural network" 16 : 197-206, 2021

13 J. K. Aronso, "Biomarkers and surrogate endpoints" 59 (59): 491-494, 2005

14 S. H. Lee, "Artificial Intelligence Technology Trends Based on Medical Big Data" 37 (37): 85-91, 2020

15 Han Moi Sim, "Analysis of an Axial T2 Weighted Brain MRI" 사단법인 미래융합기술연구학회 3 (3): 45-55, 2017