Progress Seminar 2018. 07. 03 선석규
Image Super-resolution 연구 진행 상황 보고 녹내장 진단 (안과 Pf. 박기호) 재난 대응 (응급 의학과 Pf. 신상도) 기타 Image Super-resolution 녹내장 예후예측 시야검사지 판별 망막 intensity 측정 2주전 계획 Loss function 변경하여 재 학습 Data 범주화 및 Feature selection진행 Classification 진행 SMICU 사용성 평가 연구 결과 Augmentation도입 및 데이터 추가 수집 중 image feature 추출 방향 변경 중 Classification 결과 이용하여 attention-map 추출 데이터 제공 받아 진행중 5차년도 5:5 연결을 위한 Device 제작 중 유병욱 ph.D 논문 안과에 전달하여 수정 중 신경외과 미팅 7/4(수) 11am 문제점 및 대책 목표 및 계획 데이터 추가 수집 Device제작
시야 검사 결과지 판별 - 연구목표 연구 목표 녹내장 환자 vs 테스트를 잘못해서 녹내장처럼 보이는 환자인지 판별 테스트를 잘못한 환자는 반복해서 검사 시, 점차 정상으로 보임(테스트 비용) Total Deviation 숫자 : 자기 나이 대비 defect가 생긴 부분을 숫자로 표시 패턴 : defect 부분을 형태로 바꿈 Patter deviation Total deviation에서 field defect제거 ROI <시야 검사지>
Result predict Model : VGG 16 Overall accuracy :80%정도 Data 추가 수집 후 진행 가능 Glaucoma pseudo Glaucoma 10 2 1 11 True Data : Glaucoma - 98 Pseudo - 102 Test set : 12장씩
Class Activation Map 추출(진단의 근거 표시) Glaucoma Pseudo Glaucoma 2가지 Class에 대하여 class activation map 추출 Pseudo glaucoma는 임상적으로 십자선 가까운 곳에 진단의 근거가 위치(양상이 다름) 데이터 추가 수집 요청
망막 intensity 측정 – Layer segmentation 녹내장 환자의 경우 노란색 영역의 밝기가 어두움 현재는 매뉴얼로 박스 생성 후 빨간색(reference)와 노란색의 밝기 비교(사진마다 intensity가 다르기 때문) 고전적인 방법 시도 후 불가능 할 시 Deep learning으로 구함
망막 intensity 측정 – Layer segmentation <원본> <Adaptive Thresholding> Reference선이 찾기가 힘듦 전체 이미지를 이용해 intensity normalize 후 target영역의 intensity 상대값 비교 Adaptive Thresholding으로 target의 contour를 찾을 수 있으나, 중간에 끊어지는 부분과, 다른 구조물 없애는 작업이 쉽지 않음.