Core Concepts
초음파 영상의 공간 및 주파수 영역 특징을 동시에 학습하여 그레이브스병 진단의 정확도와 재현율을 향상시킨다.
Abstract
이 연구는 그레이브스병 진단을 위한 초음파 영상 텍스처 분류 문제를 다룹니다. 기존 방법들의 한계를 극복하기 위해 적응형 웨이블릿 변환 모듈을 합성곱 신경망에 통합하였습니다.
주요 내용은 다음과 같습니다:
리프팅 기법을 기반으로 한 적응형 웨이블릿 변환 모듈(AWTM)을 설계하였습니다. AWTM은 이미지의 공간 및 주파수 영역 특징을 동시에 학습할 수 있습니다.
AWTM을 ResNet18 모델의 병렬 브랜치로 통합하여 ResNet_WT 네트워크를 제안하였습니다. 이를 통해 공간 및 주파수 영역 특징을 효과적으로 활용할 수 있습니다.
수집한 초음파 데이터셋과 공개 텍스처 데이터셋에 대한 실험을 통해, 제안 방법이 기존 방법 대비 우수한 성능을 보임을 확인하였습니다.
Stats
정상 갑상선 초음파 영상에서는 균일한 에코 강도와 매끄러운 표면이 관찰됩니다.
그레이브스병 초음파 영상에서는 불균일한 에코 강도와 거친 표면이 관찰됩니다.
제안 방법은 초음파 데이터셋에서 97.90%의 정확도와 95.86%의 재현율을 달성하였습니다.
공개 텍스처 데이터셋에서 제안 방법은 60.77%의 정확도를 달성하였습니다.
Quotes
"초음파 영상의 균일성과 표면 특성이 그레이브스병 진단의 핵심입니다."
"기존 방법들은 텍스처 특징 추출에 한계가 있어, 새로운 접근이 필요합니다."