Evaluation of Classification and Accuracy in Chest X-ray Images using Deep Learning with Convolution Neural Network

• 발행기관: 한국방사선학회
• 저자명: 송호준(Ho-Jun Song) 이은별(Eun-Byeol Lee) 조흥준(Heung-Joon Jo) 박세영(Se-Young Park) 김소영(So-Young Kim) 김현정(Hyeon-Jeong Kim) 홍주완(Joo-Wan Hong)
• 간행물 정보: 『한국방사선학회 논문지』 제14권 제1호, 39~44쪽, 전체 6쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2020.02.29

국문 초록

본 연구에서는 CNN과 빅데이터 기술을 이용한 Deep Learning을 통해 흉부 X-ray 영상 분류 및 정확성 연구에 대하여 알아보고자 한다. 총 5,873장의 흉부 X-ray 영상에서 Normal 1,583장, Pneumonia 4,289장을 사용하였다. 데이터 분류는 train(88.8%), validation(0.2%), test(11%)로 분류하였다. Convolution Layer, Max pooling layer pool size 2×2, Flatten layer, Image Data Generator로 구성하였다. Convolution layer가 3일 때와 4일 때 각각 filter 수, filter size, drop out, epoch, batch size, 손실함수 값을 설정하였다. test 데이터로 Convolution layer가 4일 때, filter 수 64-128-128-128, filter size 3×3, drop out 0.25, epoch 5, batch size 15, 손실함수 RMSprop 으로 설정 시 정확도가 94.67%였다. 본 연구를 통해 높은 정확성으로 분류가 가능하였으며, 흉부 X-ray 영상뿐만 아니라 다른 의료영상에서도 많은 도움이 될 것으로 사료된다.

영문 초록

The purpose of this study was learning about chest X-ray image classification and accuracy research through Deep Learning using big data technology with Convolution Neural Network. Normal 1,583 and Pneumonia 4,289 were used in chest X-ray images. The data were classified as train (88.8%), validation (0.2%) and test (11%). Constructed as Convolution Layer, Max pooling layer size 2×2, Flatten layer, and Image Data Generator. The number of filters, filter size, drop out, epoch, batch size, and loss function values were set when the Convolution layer were 3 and 4 respectively. The test data verification results showed that the predicted accuracy was 94.67% when the number of filters was 64-128-128-128, filter size 3×3, drop out 0.25, epoch 5, batch size 15, and loss function RMSprop was 4. In this study, the classification of chest X-ray Normal and Pneumonia was predictable with high accuracy, and it is believed to be of great help not only to chest X-ray images but also to other medical images.

목차

Ⅰ. INTRODUCTION

Ⅱ. MATERIAL AND METHODS

Ⅲ. RESULT

Ⅳ. DISCUSSION

Ⅴ. CONCLUSION

Reference

키워드

딥러닝 합성곱 신경망 네트워크 폐렴 흉부 X-ray Deep Learning CNN Pneumonia Chest X-Ray