Progress Seminar 2018. 6.12 선석규
Neural-rim Segmentation 연구 진행 상황 보고 녹내장 진단 (안과 Pf. 박기호) 재난 대응 (응급 의학과 Pf. 신상도) MER 분석 (신경외과 Pf. 백선하) 녹내장 예후예측 OCT Classification 시야검사지 판별 Neural-rim Segmentation 2주전 계획 Segmentation 알고리즘 구현 반대쪽 Recording 신호 이용하여 분석 연구 결과 Method작성하여 전달 Image featur와 OCT 장비상의 추가 Feature 이용 데이터 변경 후 재 진행 및 안과전달 U-Net 설계 및 적용 PAPR착용부 개선 및 추가 장비 제작 문제점 및 대책 동일 환자인 경우에 label이 다른 경우 존재. 수렴 안됨 목표 및 계획 필드테스트 준비
Intro - OCT 이미지 RNFL GCIPL roi GCIPL RNFL (황반) (Optic disc) <Thickness map> OCT이미지는 Optic disc(RNFL)와 황반(GCIPL)쪽의 시신경 두께를 동심원에 따라 그린 이미지(Deviation map) 과 시신경의 두께를 Color map으로 시각화한 이미지(Thickness map)을 포함 Deep learning에는 Thickness map만 수집하여 이용
Dataset Total n= 777 RNFL GCIPL Dataset RNFL & GCIPL Thickness map (Training) Normal(n=252+252) Glaucoma Early(n=174+174) Severe(n=195+195) Total(n=621+621) (Test) Normal(n=63+63) Early(n=45+45) Severe(n=48+48) Total(n=156+156) Result Normal vs Glaucoma vs Early Glaucoma Accuracy, Confusion Matrix RNFL Normal Early Glaucoma Glaucoma GCIPL Normal Early Glaucoma Glaucoma
Classification Result Method – Dual Input CNN Relu, Batch Norm Input(RNFL) VGG 16 FC Layer (120) FC Layer (120) FC Layer (16) Softmax, Cross-entropy Logit (3) Classification Result Input(GCIPL) VGG 16 FC Layer (120) FC Layer (120) FC Layer (16)
재 진행 방향 목표 : OCT scan에서 나오는 RN FL두께 및 Rim area, Disc Area, Cup volume등의 feature들을 추가로 이용 기존 방법1 : 유병욱 phD(RN FL + image processing으로 뽑은 feature) 기존 방법2 : RN FL + GCIPL(Deep learning) 변경 방법 : RN FL + GCIPL + OCT feature들(Machine learning(XGBoost)) 5-fold cross val
연구 상황 Feature(RN FL) Feature(GCIPL) Acc No image Image+ feature(16) Image both(32) RN FL(16) GCIPL(16) Train 0.758 0.765 1 Test 0.654 0.673 0.81 0.75 0.72 Classification Feature 이용 시 image feature를 단독으로 이용한 Machine learning 보단 acc가 상승하지만, Deep Learning 결과보다 낮음. Dual input CNN 의 장점 : acc↑, 좀더 안정적으로 수렴함.