Liver Volumetry를 위한 Deep Residual U-Net의 모델 복잡성

• 영문명: Model Complexity of Deep Residual U-NET for CT Liver Volumetry
• 발행기관: 대한CT영상기술학회
• 저자명: 박경진(Kyoung-Jin Park) 박상협(Sang-Hyub Park)
• 간행물 정보: 『대한CT영상기술학회지』대한CT영상기술학회지 제24권 제2호, 55~64쪽, 전체 10쪽
• 주제분류: 의약학 > 방사선과학
• 파일형태: PDF
• 발행일자: 2022.09.30

국문 초록

CT를 이용한 간 체적 측정의 자동적 방법은 수동 측정 방법에 비해 정확성이 떨어지는 단점이 있었으나 Deep Residual U-Net이 개발되어 그 정확도가 높아지고 있다. 딥러닝 모델의 복잡성이 높을수록 정확성이 높아지지만 계산 비용이 많이 필요하다. 따라서 본 논문에서는 Liver Volumetry에 최적화된 Deep Residual U-Net의 복잡성에 대한 연구를 진행하였다. 대상 및 방법으로는 MIS Training Center에서 공개한 3D-IRCADb01 Datasets(남자 10명. 여자 10명)을 이용하여 연구를 진행하였으며, 15명은 학습, 5명은 테스트를 수행하였다. 총 4개의 복잡성이 다른 Deep Residual U-Net을 이용하여 분할 영상을 생성하였다. 딥러닝의 정확성을 평가하기 위하여 Training, Testing accuracy 및 loss를 구하였고, Volumetry 정확성을 위해 Dice Coefficient Loss(DCL)을 구하였다. 결과적으로 모델이 복잡해질수록 총 매개변수와 학습 시간이 기하급수적으로 증가하였다. 모든 모델에서 학습과 테스트 모두 97%이상의 정확성을 보였고. loss는 모두 0.2이하였다. DCL의 경우 3-layer에서 0.8037로 가장 낮았으며, 5-layer에서 0.9533으로 가장 높게 나타났다. 결론적으로 Liver Volumetry를 위한 최적의 모델 복잡성은 5-layer이었다.

영문 초록

Computed Tomography (CT) has been used for liver volume measurement because of the highest location accuracy. Automated segmentation methods may improve CT volumetry time, but it has low accuracy. Residual U-Net which is one of the deep learning methods could improve segmentation accuracy. However optimization of residual U-Net hasn’t been demonstrated yet. The purpose of this paper is to investigate the optimal complexity for CT liver volumetry. The study was conducted using the 3D-IRCADb01 Datasets (10 males, 10 females) published by MIS Training Center, 15 people learned and 5 people tested. Segmented images were generated using Deep Residual U-Nets with a total of four different complexity. As a result, as the model became more complex, the total parameters and training time increased exponentially. In all models, both training and testing showed more than 97% accuracy. All losses were less than 0.2. In the case of DCL, it was the lowest at 0.8037 in 3-layer and the highest at 0.9533 in 5-layer. In conclusion, 5 hidden layers of residual U-Net has the highest dice coefficient loss and could train the datasets faster than other complex models.

목차

Ⅰ. INTRODUCTION

Ⅱ. MATERIAL AND METHODS

Ⅲ. RESULT

Ⅳ. DISCUSSION

Ⅴ. CONCLUSIONS

REFERENCES

키워드

전산화단층촬영 용적측정 간 딥러닝 CT Volumetry Liver Deep Residual U-Net Deep learning