Core Concepts
ResNet101과 DAE를 결합한 새로운 딥러닝 모델을 제안하여 피부암 영상 분류 성능을 향상시킴
Abstract
이 연구는 피부암 영상 분류를 위해 ResNet101과 DAE(Deep Autoencoder)를 결합한 새로운 딥러닝 모델을 제안한다.
데이터 전처리 단계에서는 데이터 증강 및 정규화 기법을 적용하여 데이터셋의 균형을 맞추었다.
제안된 모델은 두 단계로 구성된다. 첫째, ResNet101 모델을 통해 7개 클래스의 피부암 영상을 직접 분류한다. 둘째, DAE 모델을 통해 데이터셋을 재구성한 후 ResNet101 모델을 재학습한다.
실험 결과, 제안 모델은 기존 모델들에 비해 우수한 성능을 보였다. 정확도 96.03%, 정밀도 95.40%, 재현율 96.05%, F1-score 0.9576, AUC 0.98의 결과를 달성하였다.
이를 통해 제안 모델이 피부암 영상 분류 문제에 효과적으로 적용될 수 있음을 확인하였다.
Stats
피부암 영상 데이터셋에는 총 10,015개의 훈련 이미지가 포함되어 있다.
데이터셋은 7개의 서로 다른 피부암 유형으로 구성되어 있다.
모든 이미지는 224x224x3 크기로 정규화되었다.
Quotes
"ResNet-101 네트워크는 잔차 연결을 사용하여 그래디언트가 직접 흐를 수 있도록 하여, 체인 규칙 적용 후 그래디언트가 0이 되는 것을 방지한다."
"DAE(Deep Autoencoder)는 데이터셋을 효과적으로 표현할 수 있는 ML 및 DL 모델의 조합이다. 오토인코더 모델의 손실 함수는 모델의 가중치 매개변수를 조정한다."