정보과학회논문지 (Journal of KIISE)
Current Result Document :
| 한글제목(Korean Title) |
흉부 CT 영상에서 캡슐 네트워크 기반의 듀얼-윈도우 앙상블 학습을 통한 폐암 자동 분할 |
| 영문제목(English Title) |
Automatic Segmentation of Lung Cancer in Chest CT Images through Capsule Network-based Dual-Window Ensemble Learning |
| 저자(Author) |
홍정수
박진욱
이지은
김경훈
홍승균
박상현
Jungsoo Hong
Jinuk Park
Jieun Lee
Kyeonghun Kim
Seung-Kyun Hong
Sanghyun Park
이주민
정주립
홍헬렌
김봉석
Jumin Lee
Julip Jung
Helen Hong
Bong-Seog Kim
|
| 원문수록처(Citation) |
VOL 48 NO. 08 PP. 0905 ~ 0912 (2021. 08) |
한글내용
(Korean Abstract) |
폐암이 불규칙한 형태를 갖거나 유사한 밝기값을 갖는 주변 구조물이 존재하는 경우 흉부 CT 영상에서 폐암의 경계를 정확하게 구분하는 것이 어렵다. 본 논문에서는 폐암과 주변 구조물과의 관계를 학습하기 위해 캡슐 네트워크를 활용하고 주변 구조물과의 구분을 위해 폐 창 영상에 종격동 창 영상을 추가로 고려하는 듀얼-윈도우 앙상블 네트워크를 제안한다. 첫째, 입력 CT 영상을 폐 창 영상과 종격동창 영상으로 밝기값 정규화 및 공간 정규화를 수행한다. 둘째, 두 개의 입력 영상을 이용해 각각의 캡슐 네트워크를 학습하여 폐암을 분할한다. 셋째, 폐 창 영상과 종격동 창 영상을 이용한 분할 결과를 각 영상의 특성에 기반한 가중치를 반영하여 평균 투표를 통해 앙상블 함으로써 최종 분할 마스크를 생성한다. 제안 방법을 통한 분할 결과, DSC는 75.98%로 가중치를 고려하지 않은 분할 방법 대비 0.53%p 향상되었다. 또한 폐암이 주변 구조물에 둘러싸여 있어도 분할 정확도가 개선되었다. |
영문내용
(English Abstract) |
It is difficult to accurately segment lung cancer in chest CT images when it has an irregular shape or nearby structures have a similar intensity as lung cancer. In this study, we proposed a dual window ensemble network that uses a capsule network to learn the relationship between lung cancer and nearby structures and additionally considers the mediastinal window image with the lung window image to distinguish lung cancer from the nearby structures. First, intensity and spacing normalization was performed on the input images of the lung window setting and mediastinal window setting. Second, two types of 2D capsule network were performed with the lung and mediastinal setting images. Third, the final segmentation mask was generated by ensemble the probability maps of the lung and mediastinal window images through average voting by reflecting the weight based on the characteristics of each image. The proposed method showed a Dice similarity coefficient(DSC) of 75.98% which was 0.53% higher than the method not considering the weight of each window setting. Furthermore, segmentation accuracy was improved even when lung cancer was surrounded by nearby structures. |
| 키워드(Keyword) |
다변량 시계열 예측
연속 예측
디노이징 훈련 기법
다중 주기성
주의 기제 기법
multivariate time series forecasting
multi-step ahead prediction
denoising training
multiple seasonality
attention mechanism
흉부 CT 영상
폐암 분할
캡슐 네트워크
딥 러닝
chest CT images
lung cancer segmentation
capsule network
deep learning
|
| 파일첨부 |
PDF 다운로드
|
