2 - 3. CNN 활용하기(3)

2-3-3. [의료 AI] 흉부 CT영상 분석을 통한 폐암 진단

시맨틱 세그멘테이션이 가장 많이 연구되는 분야는 의료영상 분야.

시맨틱 세그멘테이션 기술을 응용해 흉부 CT영상을 분석하여 폐암을 진단

 

●데이터 살펴보기

images와 annotations을 활용

 

●어떤 인공지능 사용?

U-Net을 사용

 

●딥러닝 코딩

- 인공신경망 컴파일

옵티마이저(optimizer) - Adam

메트릭(metrics) - accuracy

로스(loss) - BinaryCrossentropy

 

●인공지능 학습

- 인공신경망 학습

 

 

- 학습 결과 출력

그래프로 출력

 

●인공지능 학습 결과 확인

- 인공지능 성능 확인하기

 

저자의 경우 인공지능의 최종 성능은 99.89%.

 

- 학습 기록 확인하기

 

빨간 선이 train, 파란 선이 test

저자의 경우 Loss Accuracy 둘다 순조롭게 학습이 진행

 

※

Non-negative Matrix Factorization(NMF)

행렬 하나를 여러 개의 행렬 곱을 분할하는 것을 matrix factorization.

여기에 "음수 사용을 금지"라는 제약 조건을 하나만 추가하면 현실의 데이터들이 여러 피쳐로 분할되는 현상이 일어남.

이를 NMF라고 함.

직관적으로 생각하면 현실의 데이터를 양수 영역에서만 쪼개 가졌으니 언뜻 당연한 결과 같지만 현실에는 음수 데이터가 존재하지 않으므로 현실의 여러 피쳐가 이리저리 쪼개질 수도 있음.

암 세포에 적용하면, 암 수술 시 딸려오는 정상 세포의 비율을 줄일 수 있다.

 

학습 조기 종료

에포크가 길어짐에 따른 성능의 추가 개선은 미미함. 에포크를 줄이거나 콜백 patience를 단축하여, 학습이 조금 더 조기에 종료되게 하면서도 비슷한 성능을 보이도록 학습을 진행.