합성곱 신경망을 이용한 상지 엑스선 영상 분류 모델 유용성 평가

• 영문명: Evaluation of Upper Extremity X-ray Image Classification Software Using Convolution Neural Network
• 발행기관: 대한방사선과학회(구 대한방사선기술학회)
• 저자명: 정무진(Moo-Jin Jeong) 박훈희(Hoon-Hee Park) 이주영(Joo-Young Lee) 오주영(Joo-Young Oh)
• 간행물 정보: 『방사선기술과학』제47권 제6호, 557~566쪽, 전체 10쪽
• 주제분류: 의약학 > 방사선과학
• 파일형태: PDF
• 발행일자: 2024.12.31

국문 초록

본 연구는 엑스선 검사 과정에서 환자와 코드를 정확히 확인하지 않아 발생할 수 있는 실수나 오류를 예방하는 것을 목표로 하고 있다. 이를 통해 방사선사의 작업 효율성을 높이고 의료 사고를 방지하며, 합성곱 신경망 기반 이미지 분류 기술을 활용한 실질적인 임상 적용 방안을 제안하고자 한다. 연구는 19,381개의 상지 근골격계 엑스선 이미지를 7개의 영역, 19개의 class로 분류하였으며, 학습, 검증, 평가 세트 비율을 8:1:1로 분할하였다. 딥러닝 모델은 VGG-16, DenseNet-121, ResNet-152v2와 같은 심층 학습 모델을 사용하여 정확도, 정밀도, 재현율, F1 스코어 및 혼동 행렬을 기반으로 모델 성능을 평가하였다. 학습결과 DenseNet-121의 전체 정확도에서 87.77%, 평균 class 정확도에서 98.71%, 정밀도에서 91.78%, 재현율에서 86.93%, F1스코어에서 86.71%를 보였다. 모든지표에서 DenseNet-121이 가장 높은 성능을 보였다. 본 연구는 상지 X선 이미지를 활용한 다양한 심층 학습 모델의 성능을 평가하였으며, 충분한 성능을 보여주었다. 이를 통해 작업 효율성을 높이고 의료 사고 방지가능성을 확인하였다.

영문 초록

This study aims to prevent errors that may occur during the radiography examination process, such as misinterpretation of images, by utilizing artificial intelligence, a core technology of the Fourth Industrial Revolution. Through this, we sought to enhance the work efficiency of radiologic technologists, prevent medical accidents. We labeled 19,381 upper ex- tremity musculo-skeletal X-ray images into 7 regions and 19 classes, and divided them into training, validation, and test sets at a ratio of 8:1:1. We used deep learning models such as VGG-16, DenseNet-121, and ResNet-152v2 to evaluate model performance based on accuracy, precision, recall, F1-score, and confusion matrix. The results showed that DenseNet-121 achieved an overall accuracy of 87.77%, an average class accuracy of 98.71%, a precision of 91.78%, a recall of 86.93%, and an F1 score of 86.71%. DenseNet-121 demonstrated the highest performance across all metrics. This study evaluated the performance of various deep learning models using upper extremity radiographic image and demonstrated sufficient performance. Through this, the potential to improve work efficiency and prevent medical accidents was confirmed.

목차

Ⅰ. 서 론

Ⅱ. 대상 및 방법

Ⅲ. 결 과

Ⅳ. 고 찰

Ⅴ. 결 론

REFERENCES

키워드

합성곱 신경망 딥러닝 의료 영상 영상 분류 검사 오류 Convolutional Neural Network Deep Learning Medical Image Image Classification Examination Error