Progress Seminar 2018. 06. 19 선석규.

Presentation on theme: "Progress Seminar 2018. 06. 19 선석규."— Presentation transcript:

1 Progress Seminar 선석규

2 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

3 SR-GAN 검증 Original Ground Truth Generated SSIM과 PSNR로 평가
밝기, 대비, Structure에 대한 정보

4 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)

5 SR-GAN –SSIM loss 도입 Original Ground Truth W/O SSIM loss SSIM
전체적으로 비슷하지만, 누렇게 변하는 현상이 사라짐(망막쪽)

6 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?)

7 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

8 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

9 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

10 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