• Asian Pacific Journal of Cancer Prevention
• /
• 제17권2호
• /
• pp.835-838
• /
• 2016

Background: Lung cancer remains one of the most common cancers in the world, both in terms of new cases (about 13% of total per year) and deaths (nearly one cancer death in five), because of the high case fatality. Errors in lung cancer type or malignant growth determination lead to degraded treatment efficacy, because anticancer strategy depends on tumor morphology. Materials and Methods: We have made an attempt to evaluate effectiveness of machine learning algorithms in the task of lung cancer classification based on gene expression levels. We processed four publicly available data sets. The Dana-Farber Cancer Institute data set contains 203 samples and the task was to classify four cancer types and sound tissue samples. With the University of Michigan data set of 96 samples, the task was to execute a binary classification of adenocarcinoma and non-neoplastic tissues. The University of Toronto data set contains 39 samples and the task was to detect recurrence, while with the Brigham and Women's Hospital data set of 181 samples it was to make a binary classification of malignant pleural mesothelioma and adenocarcinoma. We used the k-nearest neighbor algorithm (k=1, k=5, k=10), naive Bayes classifier with assumption of both a normal distribution of attributes and a distribution through histograms, support vector machine and C4.5 decision tree. Effectiveness of machine learning algorithms was evaluated with the Matthews correlation coefficient. Results: The support vector machine method showed best results among data sets from the Dana-Farber Cancer Institute and Brigham and Women's Hospital. All algorithms with the exception of the C4.5 decision tree showed maximum potential effectiveness in the University of Michigan data set. However, the C4.5 decision tree showed best results for the University of Toronto data set. Conclusions: Machine learning algorithms can be used for lung cancer morphology classification and similar tasks based on gene expression level evaluation.

• 대한의용생체공학회:의공학회지
• /
• 제38권5호
• /
• pp.237-241
• /
• 2017

Early detection of the pulmonary nodule is important for diagnosis and treatment of lung cancer. Recently, CT has been used as a screening tool for lung nodule detection. And, it has been reported that computer aided detection(CAD) systems can improve the accuracy of the radiologist in detection nodules on CT scan. The previous study has been proposed a method using Convolutional Neural Network(CNN) in Lung CAD system. But the proposed model has a limitation in accuracy due to its sparse layer structure. Therefore, we propose a Deep Convolutional Neural Network to overcome this limitation. The model proposed in this work is consist of 14 layers including 8 convolutional layers and 4 fully connected layers. The CNN model is trained and tested with 61,404 regions-of-interest (ROIs) patches of lung image including 39,760 nodules and 21,644 non-nodules extracted from the Lung Image Database Consortium(LIDC) dataset. We could obtain the classification accuracy of 91.79% with the CNN model presented in this work. To prevent overfitting, we trained the model with Augmented Dataset and regularization term in the cost function. With L1, L2 regularization at Training process, we obtained 92.39%, 92.52% of accuracy respectively. And we obtained 93.52% with data augmentation. In conclusion, we could obtain the accuracy of 93.75% with L2 Regularization and Data Augmentation.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제29권11호
• /
• pp.803-808
• /
• 2002

본 논문은 복부 컴퓨터단층촬영(CT) 영상에서의 자동화된 신장 및 신장암 추출에 관한 연구를 수행하였다. 필름으로 보관된 복부 CT 영상을 디지털화하여 영상분석을 수행하였으며, 명암값에 의한 임계값(Gray-Level Thresholding) 처리 기법을 사용하여 신장만을 분리하였다. 신장암의 샘플영상에 대한 텍스쳐(Texture)분석 결과를 토대로, 대표적인 통계적 모멘트 값인 평균 및 표준 편차값을 동질성 시험 기준으로 삼아 신장암의 SEED를 선택하였다. 선택된 SEED의 중앙 픽셀을 시작점으로 하여, 명암값을 동질성 시험기준으로 사용한 영역확장(Region Growing) 방법을 적용하여 신장암을 추출하였다. GE사의 Hispeed Advantage CT 스캐너를 사용하여 촬영된 9개의 예, 총 113매 영상을 Lumisys LS-40 필름 디지타이저로 디지털화 하여 적용한 결과, 85%의 신장암 추출 민감도를 가진다.

• 한국멀티미디어학회논문지
• /
• 제14권3호
• /
• pp.348-355
• /
• 2011

본 논문에서는 동적 자기 공명 영상에서 자동 전립선 분할 기법을 제안한다. 제안 기법은 평균 밝기값 분석을 통하여 동적 MR 영상들 중에서 전립선 영역이 조영증강이 잘 된 영상을 찾는다. 다음으로 조영전 MR 영상과 조영증강된 MR 영상을 B-스플라인 비강체 정합 기법으로 매칭 후 감산하여 전립선 후보 영역을 검출한다. 마지막으로 외부 방향으로 확장 연산을 수행한 후 내부 방향으로 연속적인 형태 전파를 수행하여 전립선 경계를 검출한다. 10명의 환자 데이터에 대하여 제안 기법으로 분할한 결과와 수작업으로 분할한 결과를 비교하여 정확성을 검증하였다. 평균 볼륨 오버랩 오차는 6.8%였고, 평균 절대값 볼륨 측정 오차는 2.5%였다. 제안 기법은 정확한 전립선 분할을 필요로 하는 컴퓨터 보조 전립선 진단 기법에 사용될 수 있다.

• 방송공학회논문지
• /
• 제18권5호
• /
• pp.702-712
• /
• 2013

본 논문은 흉부 CT 영상에서 폐 흉벽에 결절 및 폐혈관이 붙어 있는 경우에도 폐 정보의 손실 없이 폐와 기관지를 분리할 수 있는 알고리즘을 제안 하였다. 마스크 영상의 활용은 폐 및 기관지 분할에서 시간 단축 및 성능을 향상 시킬 수 있었다. 또한 폐 흉벽과 밝기값이 같은 결절을 찾아 제거 하는 방법은 좌 우측폐의 외곽 영상을 2진 영상으로 변환하고, 형태학적 정보를 활용함으로써 가능 하였다. 마지막으로 제거된 부분의 외곽선 연결은 거리가 고려된 최적 화소 추가와 3차 Spline 보간법을 적용하였다. Matlab 시뮬레이션 결과 제안된 알고리즘은 기존 문제점이 보완됨을 확인 할 수 있었다.

• 대한의용생체공학회:의공학회지
• /
• 제42권3호
• /
• pp.80-85
• /
• 2021

We developed a model to classify the absence of cervical cancer using deep learning from the cervical image to which the histogram equalization algorithm was applied, and to compare the performance of each model. A total of 4259 images were used for this study, of which 1852 images were normal and 2407 were abnormal. And this paper applied Image Sharpening(IS), Histogram Equalization(HE), and Contrast Limited Adaptive Histogram Equalization(CLAHE) to the original image. Peak Signal-to-Noise Ratio(PSNR) and Structural Similarity index for Measuring image quality(SSIM) were used to assess the quality of images objectively. As a result of assessment, IS showed 81.75dB of PSNR and 0.96 of SSIM, showing the best image quality. CLAHE and HE showed the PSNR of 62.67dB and 62.60dB respectively, while SSIM of CLAHE was shown as 0.86, which is closer to 1 than HE of 0.75. Using ResNet-50 model with transfer learning, digital image-processed images are classified into normal and abnormal each. In conclusion, the classification accuracy of each model is as follows. 90.77% for IS, which shows the highest, 90.26% for CLAHE and 87.60% for HE. As this study shows, applying proper digital image processing which is for cervical images to Computer Aided Diagnosis(CAD) can help both screening and diagnosing.

• Advances in nano research
• /
• 제12권2호
• /
• pp.185-195
• /
• 2022

Deep learning is another field of artificial intelligence (AI) utilized for computer aided diagnosis (CAD) and image processing in scientific research. Considering numerous mechanical repetitive tasks, reading image slices need time and improper with geographical limits, so the counting of image information is hard due to its strong subjectivity that raise the error ratio in misdiagnosis. Regarding the highest mortality rate of Lung cancer, there is a need for biopsy for determining its class for additional treatment. Deep learning has recently given strong tools in diagnose of lung cancer and making therapeutic regimen. However, identifying the pathological lung cancer's class by CT images in beginning phase because of the absence of powerful AI models and public training data set is difficult. Convolutional Neural Network (CNN) was proposed with its essential function in recognizing the pathological CT images. 472 patients subjected to staging FDG-PET/CT were selected in 2 months prior to surgery or biopsy. CNN was developed and showed the accuracy of 87%, 69%, and 69% in training, validation, and test sets, respectively, for T1-T2 and T3-T4 lung cancer classification. Subsequently, CNN (or deep learning) could improve the CT images' data set, indicating that the application of classifiers is adequate to accomplish better exactness in distinguishing pathological CT images that performs better than few deep learning models, such as ResNet-34, Alex Net, and Dense Net with or without Soft max weights.

• 대한의용생체공학회:의공학회지
• /
• 제44권3호
• /
• pp.211-217
• /
• 2023

Recently, many studies have introduced artificial intelligence systems in the surgical process to reduce the incidence and mortality of complications in patients. Bleeding is a major cause of operative mortality and complications. However, there have been few studies conducted on detecting bleeding in surgical videos. To advance the development of deep learning models for detecting intraoperative hemorrhage, three models have been trained and compared; such as, YOLOv5, RetinaNet50, and RetinaNet101. We collected 1,016 bleeding images extracted from five surgical videos. The ground truths were labeled based on agreement from two specialists. To train and evaluate models, we divided the datasets into training data, validation data, and test data. For training, 812 images (80%) were selected from the dataset. Another 102 images (10%) were used for evaluation and the remaining 102 images (10%) were used as the evaluation data. The three main metrics used to evaluate performance are precision, recall, and false positive per image (FPPI). Based on the evaluation metrics, RetinaNet101 achieved the best detection results out of the three models (Precision rate of 0.99±0.01, Recall rate of 0.93±0.02, and FPPI of 0.01±0.01). The information on the bleeding detected in surgical videos can be quickly transmitted to the operating room, improving patient outcomes.

• 대한치과보철학회지
• /
• 제61권4호
• /
• pp.328-343
• /
• 2023

최근 삼차원적 안면 스캔 (facial scan) 및 악운동 (jaw motion) 등의 데이터를 통합하여 동적 교합을 나타내는 가상 환자를 형성함으로써 심미적인 전치부 고정성 보철물을 제작하는 방법이 소개되고 있다. 이를 통해 진단과정에서 환자와의 원활한 소통이 가능하며, 심미적인 보철 치료의 예지성을 높일 수 있고, 교합조정의 가능성을 낮출 수 있다. 본 증례에서는 상악 전치부 심미 보철 수복이 필요한 환자에서 구강 스캔 데이터와 삼차원 (3D) 안면 스캔데이터, 환자의 악운동 기록을 computer-aided design (CAD) 소프트웨어 상에서 통합하여 동적 교합을 나타내는 가상 환자를 형성하였다. 이를 통해 치료의 결과를 시뮬레이션하고 심미적인 상악 전치부 고정성 보철물을 제작 및 수복하였다. 또한, 안정적인 교합관계를 회복하고 적절한 전방유도가 형성되었는지 확인하기 위하여 각각 치료 단계별로 환자의 교합을 비교 평가하였으며 심미적, 기능적으로 만족스러운 결과를 보였기에 이를 보고하는 바이다.

• 한국콘텐츠학회논문지
• /
• 제13권5호
• /
• pp.303-310
• /
• 2013

초음파영상은 갑상선 질병에서 결절성 갑상선 질병을 진단하는 검사로서 결절의 위치, 크기, 개수, 내부 에코 특성에 대한 정보를 제공하여 암의 가능성이 높은 고위험 결절을 선별하며, 세침흡인 검사 시 정확한 유도를 가능하게 한다. 갑상선 결절 중 악성으로 진단되는 경우는 5% 미만이지만 초음파에서 감별진단이 중요하다. 그러므로 본 연구에서는 병리학적으로 갑상선 유두암으로 진단된 증례를 실험 대상으로 하며, 영역을 묘사하는 알고리즘으로 그 질감을 정량화하는 방법으로 질감특징 분석(TFA)를 적용하여 컴퓨터자동진단의 검출 효율을 실험하였다. 초음파영상에서 관심영역을 설정하여 $50{\times}50$ 픽셀 크기, 히스토그램 평활화로 전처리하여 실험영상을 획득하였다. 전체영상 70증례에서 갑상선 유두암의 영상 35증례를 테스트 영상으로 하고, 고유영상 생성의 정상영상 35증례를 학습영상으로 실험하였다. 질감특징 분석 알고리즘을 적용한 실험결과 GLavg, SKEW, UN, ENT 4개 파라미터의 질병 검출 효율이 91~100%로 높게 나타났다. 이는 갑상선 결절 질병을 감별하는 컴퓨터자동진단의 응용을 나타내며, 갑상선 질병의 감별진단에 전처리 자동진단 가능성을 나타낸다. 향후 추가적인 관련 알고리즘의 연구가 계속 진행된다면 갑상선 질병의 컴퓨터자동진단의 실용화기반을 마련할 수 있을 것이고, 다양한 초음파영상의 질병에 대한 적용이 가능할 것으로 사료된다.