Progress Seminar 2018. 06. 19 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 2주전 계획 논문 Method 작성 Feature selection진행 Classification 진행 SMICU 사용성 평가 연구 결과 SSIM(Structural Similarity) loss function에 도입 후 다시 학습 Classification 결과 이용하여 attention-map 추출 5차년도 5:5 연결을 위한 Device 제작중 의대 딥러닝 실습 6/14(完) 문제점 및 대책 목표 및 계획 Augmentation도입 및 데이터 추가 수집 Data 범주화 및 image feature 추출 방향 변경 안과에 전달 후 방향 재설정 Device제작
SR-GAN 검증 Original Ground Truth Generated SSIM과 PSNR로 평가 밝기, 대비, Structure에 대한 정보
SR-GAN 검증 -결과 색감이 변화하기 때문에 PSNR, SSIM은 낮게 측정됨 하지만 임상의의 진단에 도움을 줌. Img Num PSNR(dB) SSIM 43 27.95 0.91 44 20.05 0.78 45 29.81 0.97 46 28.86 0.95 55 21.69 0.43 56 21.71 평균 25.7 0.72 <45> 색감이 비슷 GT Generated <56> 색감이 다름 GT Generated 색감이 변화하기 때문에 PSNR, SSIM은 낮게 측정됨 하지만 임상의의 진단에 도움을 줌. 논문 상에는 잘나온 결과만 첨부하고, Discussion에 언급(안나온 이미지)
SR-GAN –SSIM loss 도입 Original Ground Truth W/O SSIM loss SSIM 전체적으로 비슷하지만, 누렇게 변하는 현상이 사라짐(망막쪽)
녹내장 예후 예측 Feature : 성별, 나이, 녹내장 가족력, 당뇨, 혈압, 중심각막두께, 안압, 안축장길이, 굴절이상의 정도, 키, 몸부게, OCT 망막신경섬유층의 두께 Image : 시신경 유두 사진, 망막신경섬유층 사진(Unsupervised-learning 으로 feature 각각 20개 추출) 데이터 : 210명의 관찰 데이터 예측 값 : 녹내장 발생 시점(데이터를 기준으로 몇 년 후에 발병하는가?)
녹내장 예후 예측 – feature selection Filter-based Univariate feature selection – 통계처리를 이용해 co-relation이 높은 feature들을 추려 냄 Wrapper-based Recursive feature elimination – 모델을 반복적으로 만들어 약한 feature 제거 Tree-based feature selection – tree에서 나오는 feature importance 이용
녹내장 예후 예측 – feature selection Filter-based Univariate feature selection – Age, CCT, IOP, DBP, RNFL 녹내장 발병년수와 linear co-relation구한 후 높은 feature 추출 Wrapper-based Tree-based feature selection – BMI, IOP, Height, Weight, RNFL, AGE이용 Tree(XGBOOST)를 Optimize하지 않고 찾아냄 + Image feature중 연관성이 높은 feature 추출 이미지 feature를 포함한 것과 안한 것 4가지에 대해서 다시 진행
녹내장 예후 예측 – Result GT Pred Train – 0.414 Test – 0.294 Train – 0.361 RMSLE score Train – 0.414 Test – 0.294 Train – 0.361 Test – 0.314 Pred Train –0.415 Test – 0.299 Train –0.385 Test – 0.280
결론 성능 면에서는 Wrapper-based feature selection 좋음 임상적으로 유의하지 않은 Height, Weight이 높게 이용됨 Filter-based feature selection에서는 이미지 feature이용 시 정확도 증가 Wrapper-based feature selection에서는 이미지 feature이용 시 정확도 감소 이미지 feature반영하는 방식 변경 중