Core Concepts
합성곱 신경망과 ResNet 모델을 사용하여 건강한 눈과 황반 변성이 있는 눈을 분류하고, Grad-CAM 기법을 통해 황반 변성 영역을 시각화할 수 있다.
Abstract
이 연구는 건강한 눈과 황반 변성이 있는 눈을 분류하고 황반 변성 영역을 확인하는 것을 목표로 한다.
데이터셋 전처리 과정에서 이미지 크롭과 리사이징, 데이터 증강 기법을 적용하였다.
이후 합성곱 신경망 모델과 ResNet 모델을 사용하여 분류 작업을 수행하였다. 다양한 데이터 분할 비율(90:10, 80:20, 50:50)에 따른 성능 평가 결과, ResNet50 기반 합성곱 신경망 모델이 가장 우수한 성능을 보였다.
선정된 최고 성능 모델을 활용하여 Grad-CAM 기법을 적용, 황반 변성 영역을 시각화하였다. 이를 통해 의료 전문가들이 질병 진단 및 치료 계획 수립에 활용할 수 있을 것으로 기대된다.
Stats
건강한 눈 영상과 황반 변성 눈 영상을 합쳐 총 598장의 데이터셋을 구축하였다.
데이터셋을 90:10, 80:20, 50:50으로 분할하여 실험을 진행하였다.
ResNet50 기반 합성곱 신경망 모델은 90:10 분할에서 98.7%의 가장 높은 정확도를 달성하였다.
Quotes
"황반 변성은 중심 시력이 점진적으로 악화되는 만성 망막 질환으로, 2040년까지 전 세계 황반 변성 환자 수가 3억 명을 넘을 것으로 예상된다."
"조기 발견은 환자에게 적절한 치료를 제공하여 영구적인 시력 상실을 방지할 수 있어 매우 중요하다."