Progress Seminar 2018. 06. 19 선석규.

Slides:



Advertisements
Similar presentations
여러분은 매일 아침밥을 먹고 나오나요? 아침밥을 왜 못 먹게 되는 걸까? 남학생 여학생 아침밥을 왜 못 먹게 되는 걸까? 32 % 12 % 34 % 21 %
Advertisements

우리테크 녹색경영을 달성하기 위한 녹색경영 방침 □ 우리테크는 파워 드레인트탭을 제조, 판매하는 회사로써 오랜경험과 축적된 노하우를 통해 독 자적인제품 개발에 주력하고 있다. □ 또한 우리테크는 안정적이고 친환경적인 제품 생산을 위해 항상 연구와.
언어의 자서전 소단원 (1) 단원. 언어의 특성 기호성 자의성 사회성 규칙성 창조성 역사성.
HTS 광 고 금요예배 안내 HTS 휴강 안내 둘째주 기도: 교회 지체들을 위한 기도
수학 수행평가 김재환.
원격교육의 기술과 매체 원격교육활용론.
Lec 4 Backpropagation & Neural Network
Neural Network - Perceptron
Ⅱ.녹색 가정생활의 실천.
Ⅹ. 정전기 재해 및 안전대책 정전기 재해의 분류 정전기 개요
철강의 고온 파단 시 만들어진 주상절리 (1) (2) (3-1) (3-2) 주사전자현미경 사진 (x100)
소형화된 인공두뇌의 제작과 생물학적 이용에 관한 탐구
데이터마이닝의 소개 Data Mining Introduction
Sharpening Filter (High-Pass Filter)
Progress Seminar 권순빈.
GB-SAR DATA & PROCESSING
포항공과대학교 COMPUTER VISION LAB. 석박통합과정 여동훈
Progress Seminar 선석규.
Progress Seminar 선석규.
2016년 9월 전자전기컴퓨터공학부 김한준 소프트웨어시스템 실습 2016년 9월 전자전기컴퓨터공학부 김한준
소형화된 인공두뇌의 제작과 생물학적 이용에 관한 탐구
제 3 장 신경회로망 (Neural Networks)
Progress Seminar 선석규.
머신 러닝 2 ㈜ 퀀트랩.
웨이브렛 프레임과 공간 정보를 이용한 질감 영상 분할 Texture Segmentation Using Wavelet Frame and Spatial Information 지도교수: 조 석 제 예 병 길 제어계측공학과.
Progress Seminar 선석규.
전기전자심사국 통신과 서기관 전기억 미국 판례로 본 특허 청구범위 해석과 그 영향 전기전자심사국 통신과 서기관 전기억 통신특허연구회.
인공 신경망의 종류 Hopfield Self-Organizing Map Perceptron
Parallel software Lab. 박 창 규
Data Mining Final Project
Progress Seminar 선석규.
Progress Seminar 권순빈.
정보 추출기술 (Data Mining Techniques ) : An Overview
키타노카시쇼쿠닌(北の菓子職人) - 「오호츠크의 소금 맛」
좋은징조 담당교수 : 조성제 김도엽 김현일 이상훈.
Progress Seminar 신희안.
구체적인 사용 예( 배 & 딸기 & 오이 ) 배 딸기 오이 (주) 드림 아그로
낙상예방 PJ 운영 시스템 구축 1. 돌파지식 제목 : Team approach로 만성질환 어르신 낙상예방 자가관리
Filter Seung Tae Ko.
Progress Seminar 선석규.
Progress Seminar 선석규.
0801 Workshop.
지구 온난화 원재환.
2016 하계 현장실습 매뉴얼 ≫≫ 학생용.
연구 수업 발표 자료 학습스타일과 자기주도학습 큰 사 람 연 구 소.
눈으로 소리를 볼 수 있을까? 2014 (과학을 이용한 올바른 발음법 찾기) 부원여자중학교 과학 김미순
다문화 사회의 이해 배 상 훈 . 1. 한국사회의 다문화현상 2. 원인과 정책으로 살펴본 다문화 한국사회.
천국 가는 길 천국 가는 길 ♧ 천국 가는 길 ♧ 1. 죄와 사망(지옥) 1) 사람의 3가지 공통점 - 죄인, 죽음, 심판
(Ⅰ) 독서와 언어의 본질 언어의 본질 1 2 [고등 국어] – 독서와 문법 독서의 본질 (1) 독서의 특성
▶서류관리 프로그램 1. 로그인….2 2. 서류등록 … 서류도착 서류스티커발행
(4)잎의 구조와 기능 학습목표 잎의 구조와 기능을 설명할수 있다. 기공의 구조와 증산의 조절 작용을 설명할 수 있다.
Progress Seminar 선석규.
Progress Seminar 선석규.
교 육 순 서 화재예방과 진화요령 긴급상황 시 대처요령 소방시설 사용 화재진화 및 피난 기타 당부 및 질문.
Progress Seminar 신희안.
연구 진행 상황 보고서 Insulin Pump CPF Xproject 2주전 계획 연구 결과 문제점 및 대책 목표 및 계획
Progress Seminar 선석규.
Progress Seminar 선석규.
Progress Seminar 이준녕.
Progress Seminar 권치헌.
Progress Seminar 선석규.
Progress Seminar 신희안.
Progress Seminar 양승만.
Progress Seminar 권순빈.
Progress Seminar 선석규.
Progress Seminar 선석규.
Progress Seminar 이준녕.
Deep Learning Basics Junghwan Goh (Kyung Hee University)
Model representation Linear regression with one variable
Presentation transcript:

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