Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

의료빅데이터 컨테스트 결과 보고서

6,547 views

Published on

의료빅데이터 컨테스트 결과 보고서

Published in: Data & Analytics
  • Visit this site: tinyurl.com/sexinarea and find sex in your area for one night)) You can find me on this site too)
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Sex in your area for one night is there tinyurl.com/hotsexinarea Copy and paste link in your browser to visit a site)
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Girls for sex are waiting for you https://bit.ly/2TQ8UAY
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Meetings for sex in your area are there: https://bit.ly/2TQ8UAY
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Hi there! Essay Help For Students | Discount 10% for your first order! - Check our website! https://vk.cc/80SakO
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

의료빅데이터 컨테스트 결과 보고서

  1. 1. 서울 아산병원과 한국마이크로소프트가 함께 하는 의료 빅데이터 분석 컨테스트 공모과제 결 과 보 고 서 1 1. 참여 과제 과제 1번, 흉부 전산화단층촬영(CT)영상에서의 고립성 폐결절 환자의 폐암 진단 알고리즘 개발 2. 참 가 자 이근영
  2. 2. 2 연구주제 흉부 전산화단층촬영(CT) 영상에서의 고립성 폐결절 환자의 폐암진단 알고리즘 개발 연구의 필요성 암 사망률 1 위인 폐암은 점차 증가하고 있는 질환으로 흉부 CT 를 통해 조기검진을 시행하고 있으나 CT 의 진단 정확도가 많이 떨어져 폐암을 예측할 수 있는 진단 보조 수단이 필요함. 최근 각광받고 있는 빅데이터 +영상 분석기법을 통해 폐암의 예측 가능성을 향상시킬 수 있다면 불필요한 검사를 줄일 수 있음 필요기술 CT DICOM 영상에서 폐를 segmentation 하고 이상 병변 추출, 추출된 영상에서의 결절의 특성을 파악하고 폐암의 가능성을 예측하는 기 법 기대효과 폐암 조기 진단 및 판독 오류 감소 데이터 타입 임상정보+ CT 이미지 데이터 건수 환자의 임상정보(엑셀파일) CT 영상 (DICOM Image 한명당 120 장) 전체 환자수는 300 명 정도 예상 평가방법 폐암 병변 위치 디텍션 정확도, 폐암확률 예측도 과제 1) 흉부 전산화단층촬영(CT) 영상에서의 고립성 폐결절 환자의 폐암 진단 알고리즘 개발
  3. 3. 3 연구 결론 및 성과 Validation Set Benign/Malignant 판정 정확도 : 92 % 임상 테스트 준비 완료
  4. 4. 4 1. 데이터 처리과정  512x512px의 CT이미지를 10px 간격으로 50x50px 로 crop 원본 이미지 Crop을 통한 데이터 전처리 • ROI의 평균 width, height가 약 25px이며, 최대 크기는 약 50px 이 하임 • 512x512 px 크기의 원본 이미지 1장을 50x50 px 2,500 장으로 분 할함 • 일반적으로 CNN에 활용되는 MNIST Data Set의 이미지(28x28px) 와 유사한 크기로 CT 이미지 데이터를 전처리하여 CNN 적용
  5. 5. 5 1. 데이터 처리과정  Crop한 이미지에 대한 판별 결과 Class를 3차원 One-Hot Vector로 정의하고, 아래와 같이 Labeling Not ROI ROI를 포함하지 않는 이미지 Benign ROI 양성 ROI를 포함하는 이미지 Malignant ROI 악성 ROI를 포함하는 이미지 판별 결과에 따른 On-Hot Vector Label Training Set 구성 [1, 0, 0] [0, 1, 0] [0, 0, 1] • Not ROI 이미지 중 Random Sampling 20,000장 추 출 • Benign ROI 이미지 약 3,000장 생성 • Malignant ROI 이미지 약 19,000장 생성 • 각 이미지 중 300장은 Test Set으로 분리 Benign Class 데이터가 다른 Class에 비해 부족하여 해당 클래스의 Classification 정확도 하락하는 것을 방지하기 위함 Data augmentation 필요
  6. 6. 6 1. 데이터 처리과정  Benign ROI 데이터 Augmentation 수행 Original Horizontal Flip Zoom In 30’ Rotation 45’ Rotation X 0.7 Blur • Benign ROI를 포함하고 있는 하나의 원본 이미지를 수평 뒤집기, 확대, 회전, 흐리게 처리하여 데이터 수를 증가시킴 • Not ROI Class와 Malignant ROI Class에 비해 상대적으로 수가 적은 Benign ROI Class 데이터를 5배 증가시 켜 다른 Class와 유사한 수준의 이미지 데이터를 확보한 후, 이를 통해 Training Set을 구성함 Not ROI 약 20,000 장 Benign ROI 3,000 장 X 5 = 15,000 장 Malignant ROI 약 19,000 장
  7. 7. 7 2. 분석 과정  Convolutional Neural Network 기법을 이용한 이미지 데이터 분석 • 5개의 Conv + Relu Layer 와 2개의 Max Pool, 2개의 Fully Connected Layer를 조합하여 네트워크를 구성 Conv + Relu • • • Input Image • • • Conv + Relu • • • Conv + Relu • • • Conv + Relu • • • Conv + Relu Max Pooling Max Pooling • • • FC FC Softmax Output Vector [1, 0, 0] • • •
  8. 8. 8 2. 분석 과정  위의 모델을 Python Tensorflow로 구현
  9. 9. 9 2. 분석 과정  6만 여개의 데이터를 cost가 일정값에 수렴할 때 까지 학습을 수행 • x축 : 학습 횟수 • y축 : 평균 Cross Entropy Cost • AdamOptimizer를 이용하여 Cost 함수 최적화 수행 • 약 6만개의 데이터를 400개의 Batch로 300회 이상 학습 • 200회 이상 부터는 cost가 0.55 에서 거의 줄어들지 않음 학습 수행에 따른 Cross Entropy 감소 Image Accuracy Test Cost Optimization • Benign 환자 89 - 93번, Malignant 환자 89 - 93번의 이미지 데이터를 Training Set에서 분리하여 매 학습마다 정확도를 측정함 • Malignant에 민감하게 반응하도록 조정 Class Not ROI Benign ROI Malignant ROI Error(%) 5% 이하 15% 이하 2% 이하
  10. 10. 10 2. 분석 과정  Benign ROI, Malignant ROI가 가장 많이 겹치는 후보를 최대 3개까지 추출함 원본 CT 이미지 ROI Mask Prediction 결과
  11. 11. 11 2. 분석 과정  종양의 위치 판독 및 Benign, Malignant 구분 Not ROI ROI를 포함하지 않는 이미지 [1, 0, 0] Benign ROI 양성 ROI를 포함하는 이미지 [0, 1, 0] Malignant ROI 악성 ROI를 포함하는 이미지 [0, 0, 1] 동일한 ROI를 포함하는 Crop Image의 판별 결과들 중 더 많이 출현하는 클래스를 출력
  12. 12. 12 3. 분석 결과  Validation Set ROI 위치 판독 결과 • CT 사진을 입력하면 ROI 위치를 빨간색으로 추천함 • 일반적으로 ROI 가 크면 하나의 위치를 출력하며, ROI가 작으면 여러개의 위치를 출력함 * 모든 환자에 대해 발견된 ROI 위치 결과는 첨부파일 참 Validation Set 012 Validation Set 005
  13. 13. 13 3. 분석 결과  Benign, Malignant 각 089~093 환자의 데이터(Training에 사용하지 않은) 로 모델을 평가 환자번호 B/M 구분 평가결과 일치여부 089 Benign Benign TRUE 090 Benign Benign TRUE 091 Benign Benign TRUE 092 Benign Benign TRUE 093 Benign Malignant FALSE 089 Malignant Malignant TRUE 090 Malignant Malignant TRUE 091 Malignant Malignant TRUE 092 Malignant Malignant TRUE 093 Malignant Malignant TRUE 예측 구분 양성 악성 Prevalence = 50% 실 제 양성 4 1 Recall = 80% 악성 0 5 Fall-Out = 0% Accuracy = 90% Precision = 100% FOR = 17%
  14. 14. 14 3. 분석 결과  Validation Set Benign, Malignant 구분 결과 Num Result Prob Num Result Prob Num Result Prob 1 Malignant 95% 22 Malignant 99% 43 Malignant 99% 2 Malignant 99% 23 Benign 90% 44 Malignant 99% 3 Benign 90% 24 Benign 90% 45 Malignant 99% 4 Malignant 99% 25 Benign 90% 46 Benign 99% 5 Benign 90% 26 Malignant 99% 47 Malignant 99% 6 Benign 90% 27 Malignant 99% 48 Malignant 99% 7 Benign 99% 28 Benign 99% 49 Malignant 99% 8 Malignant 99% 29 Benign 90% 50 Malignant 99% 9 Malignant 99% 30 Benign 90% 51 Malignant 95% 10 Benign 90% 31 Malignant 99% 52 Malignant 99% 11 Benign 90% 32 Malignant 99% 53 Malignant 99% 12 Malignant 95% 33 Malignant 99% 54 Malignant 99% 13 Benign 90% 34 Malignant 99% 55 Malignant 99% 14 Benign 99% 35 Malignant 99% 56 Malignant 95% 15 Malignant 99% 36 Malignant 99% 57 Malignant 99% 16 Malignant 99% 37 Benign 99% 58 Malignant 99% 17 Malignant 99% 38 Benign 90% 59 Benign 90% 18 Benign 90% 39 Malignant 99% 60 Malignant 95% 19 Malignant 99% 40 Malignant 99% 61 Malignant 95% 20 Malignant 99% 41 Malignant 99% 62 Malignant 99% 21 Benign 99% 42 Malignant 99% : 99% Malignant Prediction : 95% Malignant Prediction : 90% Benign Prediction : 99% Benign Prediction
  15. 15. 15 3. 분석 결과  Validation Set Benign, Malignant 구분 결과 판정 정확도 : 62개 중 57개 정답 92% 정답율 오답 : 17, 27, 61번(Benign) / 18, 37번(Malignant)
  16. 16. 16 4. 개선방향  어떻게 하면 정확도를 100%로 향상 시킬 수 있을까? ROI 가 작을 경우 지나쳐 버리는 경우가 있다. -> 50x50 px 뿐만 아니라 30, 40, 50 , 60등 으로 다양하게 스캐닝 하면 더 정확한 판별 가능 Benign class 판별의 정확도가 낮다. -> 더 많은 양의 데이터와 시간이 주어지면 Overfitting을 방지 할 수 있을 것이라 예상
  17. 17. 17 5. 임상활용 가능성 및 사업화  임상에 바로 적용할 수 있는 특성 1. 90% 이상의 높은 정확도 2. CT 한장 당 10초 내외로 스캐닝 가능 3. Web Application 으로 쉽게 배포 가능 4. 환자정보 없이 순수하게 이미지만으로 판별 가능 (5번 과제도 동일하게 적용가능)
  18. 18. 18 5. 임상활용 가능성 및 사업화  수행환경 서버인 http://13.90.98.179/ 에서 Validation Set의 환자번호를 “001” 형식으로 입력하여, 분석 결 과 조회 가능
  19. 19. 감사합니다 서울대학교 원자핵공학과 이근영

×