Progress Seminar 2018. 3. 27 선석규

Image Super-resolution Neural-rim Segmentation 연구 진행 상황 보고 녹내장 진단 (안과 Pf. 박기호) 재난 대응 (응급 의학과 Pf. 신상도) MER 분석 (신경외과 Pf. 백선하) Image Super-resolution 녹내장 예후예측 시야검사지 판별 망막 intensity 측정 Neural-rim Segmentation 2주전 계획 논문 작업중 Data 범주화 및 Feature selection진행 Classification 진행 망막 영역 segmentation진행 6차년도 계획 작성 MER분석 결과정리 연구 결과 논문완료 진행완료 auc:0.83 Test acc:0.8 종료 환자 70명에 적용 35명 성공(corr-0.936) Labeling 및 Irregularity index계산 PAPR착용부 개선 중 눈문 작성 중(90%) 문제점 및 대책 Test가 더 잘나옴 목표 및 계획 안과에서 검토중 범용적으로 사용할 수 있도록 파라미터 수정 중 필드테스트 준비

입술 병변 분류 Melanoma 분류 논문리뷰(ECG Denoising) 피부과 기타 입술 병변 분류 Melanoma 분류 논문리뷰(ECG Denoising) 논문 작성 Intro 및 데이터 수 표 추가(병원별) 공개 데이터 셋을 이용한 분류 진행중 Review진행 AUC값 굉장히 낮음(데이터문제) 중단

논문 리뷰 - Generative Adversarial Network based ECG Denoising Generator Discriminator Generator에서 생성한 노이즈 없는 신호 & Denoised 신호를 Discriminator가 구분하지 못하도록 train함. 사용 데이터 : MIT –BIH 데이터 셋 일부 사용한 노이즈 종류 : baseline wander (BW), muscle artifacts (MA), electrode motion (EM) and powerline interference (PLI), e Gaussian noise (AWGN) 사용한 구조 : Autoencoder & LSGAN(least square GAN)  LSGAN은 생성된 set중 분포를 벗어난 data에 대해 패널티를 주어 분포를 크게 벗어나지 않도록 하는 기술

Generative Adversarial Network based ECG Denoising - Result Raw Noised NLM(Non-local means) filtered VMD(variational mode decomposition) -NLM Filtered Proposed 결과표 : 비교 방법들과 SNR, MSE, PRD비교 비교표에 수치상으로는 DAE와 비교하였으나 Figure없음

Review - Reject General Comments Comparison with the state of the art is limited, and although training and validation was performed, no additional testing was performed on a wholly new dataset with a different data distribution and unknown noise profile. – which is needed to generalize the efficacy of the method. 최대 약점 Noise 정보 : added noise(known noise), 실제 제거해야 하는 noise  unknown noise Unknown noise profile을 가진 extra noisy ECG 신호에 대해 적용시켜서 잘 작동하는지 봐야 함(논문에서는 Test set역시 added noise에 대한 성능 비교)

General Comments 2. However, the overall design of the experiment to prove GAN based denoising is weak, and the motivation for using GAN for denoising is not clearly supported with the given results. There’s a lack of general discussion on what this method could be useful for and there are no discussions on the limitations of the method 비교 대상 방법이 State of the art가 아님 –NLM filtering time domain signal decomposition techniques The discrete wavelet transform (DWT) and empirical mode decomposition (EMD) based methods are the most exploited ones 이렇게 되어있으나 reference나 왜 그런지 서술이 없음. intro부분에 feature extraction, heartbeat classification, and Arrhythmia detection이 잘되도록 denoising이 필요하다고 되어있으나, denoising이 잘되더라도 위의 task가 잘되는지 서술 필요. 데이터 셋의 규모에 비해 사용한 데이터는 너무 지협적임 기타 사항들은 서술해 놓음.

녹내장 예후 예측 Data : 210명, 7년동안 follow-up, 7년 넘도록 정상은 11년으로 label Feature : 성별, 나이, 녹내장 가족력, 당뇨, 혈압, 중심각막두께, 안압, 안축장길이, 굴절이상의 정도, 키, 몸부게, OCT 망막신경섬유층의 두께  Image : 시신경 유두 사진, 망막신경섬유층 사진 예측 값 : 녹내장 발생 시점(데이터를 기준으로 몇 년 후에 발병하는가?)

Classification 결과 Data : Train(140명) – 96.429% test(70명) 100% Model – RandomForestClassifier Xgboost, Adaboost, Gradient boost, SVM 사용 했으나, RF가 가장 잘 나옴 RNFL&Optic disc photo 둘다 사용 했을 때 가장 좋음.

Regression 결과 최종 35명이용, 정상인 제외 최종 성능 (RMSE) Train - 1.282 Test - 0.322 Classification Regression 모두 Testset에 대해서 더 잘나옴…(일반적이지 않음)  데이터 분포 이상함 shuffle 방법 변경