• Journal of radiological science and technology
• /
• v.18 no.2
• /
• pp.15-22
• /
• 1995

• Journal of The Korean Radiological Technologist Association
• /
• v.29 no.1
• /
• pp.98-99
• /
• 2003

• Journal of the Korean Society of Radiology
• /
• v.16 no.5
• /
• pp.595-602
• /
• 2022

This study tried to suggest the most efficient learning rate for accurate and efficient automatic diagnosis of medical images for chest X-ray pneumonia images using deep learning. After setting the learning rates to 0.1, 0.01, 0.001, and 0.0001 in the Inception V3 deep learning model, respectively, deep learning modeling was performed three times. And the average accuracy and loss function value of verification modeling, and the metric of test modeling were set as performance evaluation indicators, and the performance was compared and evaluated with the average value of three times of the results obtained as a result of performing deep learning modeling. As a result of performance evaluation for deep learning verification modeling performance evaluation and test modeling metric, modeling with a learning rate of 0.001 showed the highest accuracy and excellent performance. For this reason, in this paper, it is recommended to apply a learning rate of 0.001 when classifying the presence or absence of pneumonia on chest X-ray images using a deep learning model. In addition, it was judged that when deep learning modeling through the application of the learning rate presented in this paper could play an auxiliary role in the classification of the presence or absence of pneumonia on chest X-ray images. In the future, if the study of classification for diagnosis and classification of pneumonia using deep learning continues, the contents of this thesis research can be used as basic data, and furthermore, it is expected that it will be helpful in selecting an efficient learning rate in classifying medical images using artificial intelligence.

• Proceedings of the IEEK Conference
• /
• 2000.06d
• /
• pp.135-138
• /
• 2000

흉부 X선 CT 화상을 이용한 폐종류의 경계 형상을 정량적으로 평가하기 위하여 푸리에 변환된 폐종류 음영의 윤곽선 내 power spectrum 고주파 성분의 총합이 폐종류 음영의 경계 형상에 관한 유효한 평가 값이 되는지의 여부를 검토하였다. 이 평가 값은 폐종류 음영의 CT 화상 위의 특징을 명확히 반영한다고 판단된다. 다시 말해서, 윤곽선은 양성 혹은 악성 종류에 있어서 각각 명확하거나 불투명하다. 양성 IS명과 악성 16명인 환자 31명에 대해서 이 평가 값을 계산하여 통계적 처리를 행한 결과 양성과 악성 간에 뚜렷한 차이를 인식할 수 있었다. 이러한 제안된 평가 방법에 의해, power spectrum 고주파 성분의 총합이 폐종류 경계 형상의 평가치가 되어, 정량적인 폐종류의 양성과 악성 감별을 행할 때 유용한 값이 될 가능성을 시사한다고 볼 수 있다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2011.06c
• /
• pp.409-412
• /
• 2011

본 논문에서는 흉부 X선 영상으로부터 폐 종류 음영을 검출하기 위한 필터를 예측해서 바람직하게 평가하기 위한 방법을 제안한다. 더욱이 그 평가방법을 이용해서 이전부터 제안한 다중해상도 라플라시안-가우시안 필터의 평가를 행한다. 전문의의 진단보조 혹은 종합자동진단시스템의 구성요소로서 필터가 행하는 역할을 고려한 후에 필터가 만족해야할 조건 및 그 조건을 만족한 경우에 있어서 몇가지 성능평가 척도를 명확히 한다. 제안한 평가방법을 통해서 다중해상도 필터가 단일해상도 필터에 비해 높은 성능을 갖게됨을 명확히 한다.

• Proceedings of the KIEE Conference
• /
• 2000.07d
• /
• pp.2924-2926
• /
• 2000

흉부 X선 CT 화상을 이용한 폐종류(肺腫瘤)의 경계 형상을 정량적으로 평가하기 위하여 푸리에 변환된 폐종류(肺腫瘤) 음영의 윤곽선 내 power spectrum 고주파 성분의 총합이 폐종류 음영의 경계 형상에 관한 유효한 평가 값이 되는지의 여부를 검토하였다. 이 평가 값은 폐종류(肺腫瘤) 음영의 CT 화상 위의 특징을 명확히 반영한다고 판단된다. 양성 15명과 악성 16명인 환자 31명에 대해서 이 평가 값을 계산하여 통계적 처리를 행한 결과 양성과 악성 간에 뚜렷한 차이를 인식할 수 있었다. 이러한 제안된 평가 방법에 의해, power spectrum 고주파 성분의 총합이 폐종류(肺腫瘤) 경계 형상의 평가치가 되어, 정량적인 폐종류(肺腫瘤)의 양성과 악성 감별을 행할 때 유용한 값이 될 가능성을 시사한다고 볼 수 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.614-617
• /
• 2022

인공지능의 발전으로 의료영상 분야에서 딥러닝 기반 질병 진단 연구가 활발하다. 그러나 모델 개발 시 학습 데이터의 개수와 품질은 매우 중요한데, 의료 분야 특성상 접근 가능한 데이터셋이 적으며 오픈 데이터셋은 서로 다른 기관에서 배포되거나 웹상에서 수집된 것으로 진단에 적합한 품질을 기대하기 어렵다. 또한, 기존 연구는 데이터셋이 학습에 적합한지에 대한 품질검증 없이 사용한다. 따라서 본 논문에서는 임상에서 사용하는 화질 평가 요소에 근거를 두고 영역별 화소값 분석을 통한 흉부 X선 영상 품질 평가 기법을 제안한다. 오픈 데이터셋 JSRT, Chest14와 국내 A 병원 데이터셋 AUH에 제안한 기법을 적용한 결과 민감도 91.5%, 특이도 96.1%의 우수한 성능을 확인하였다.

• Journal of radiological science and technology
• /
• v.2 no.1
• /
• pp.11-14
• /
• 1979

• Proceedings of the Korean Society of Radiological Science
• /
• 1994.05a
• /
• pp.31-32
• /
• 1994

• Proceedings of the Korean Society of Radiological Science
• /
• 1999.10a
• /
• pp.78.1-78.1
• /
• 1999