딥러닝 기반 흉부 X선(CXR) 이미지 COVID-19 질환 분류: AlexNet 전이학습을 활용한 CNN 정확도 분석
https://dx.doi.org/10.31916/sjmi2023-01-01
서론
전 세계적으로 COVID-19 팬데믹은 의료 영상 분석의 자동화와 인공지능(AI) 기술의 필요성을 가속화하였다.
특히 흉부 X선(CXR) 이미지는 폐 질환을 진단하는 데 핵심적인 영상 자료로 사용되며, 최근에는 딥러닝(Deep Learning) 기반 합성곱 신경망(Convolutional Neural Network, CNN)이 의사들의 보조 진단 도구로 주목받고 있다.
본 연구에서는 AlexNet 기반 전이학습(Transfer Learning)을 적용하여 COVIDGR-1.0 데이터셋의 흉부 X선 이미지를 정상(Normal), 경증(Mild), 중등도(Moderate), 중증(Severe)으로 분류하였다.
연구 방법
1. 데이터셋
-
COVIDGR-1.0 Dataset: 스페인 Hospital Universitario San Cecilio와 협력하여 익명화된 784장의 흉부 X선(CXR) 이미지로 구축됨 .
-
데이터는 70% 훈련(training), 30% 검증(validation) 세트로 분할되었다 .
2. 전이학습 모델: AlexNet
-
전이학습을 통해 훈련 시간을 단축하고 소규모 의료 데이터셋에서도 높은 정확도를 달성할 수 있었다.
3. 실험 절차
-
데이터셋 로딩 및 전처리: RGB → Gray scale 변환, 정규화(normalization) 수행 .
Figure3. 샘플 이미지: 16장의 X-ray 이미지가 무작위로 배열되어 시각화됨
결과 및 분석
1. 분류 결과
Figure 4. 분류 이미지: 네 가지 질환 단계별 예측 결과 표시.
2. 혼동 행렬 (Confusion Matrix)
-
이를 통해 각 클래스별 분류 성능 차이를 확인 가능.
3. ROC 분석
4. 정량적 지표
Table 1. 정확도 및 오류율| 정확도(%) | 오류율(%) |
|---|---|
| 74.6 | 25.4 |
Table 2. Precision, Recall, F1-score
| 클래스 | Precision | Recall | F1-score |
|---|---|---|---|
| Normal | 87% | 86% | 43% |
| Mild | 62% | 51% | 27.98% |
| Moderate | 59% | 64% | 30.70% |
| Severe | 57% | 66% | 30.59% |
논의 (Discussion)
본 연구는 AlexNet 전이학습을 활용한 CNN 모델을 통해 COVID-19 흉부 X선 이미지를 높은 정확도로 분류할 수 있음을 입증하였다.
특히 AUC 0.8781, 정확도 87.8%라는 수치는 기존 연구들보다 개선된 결과로, 의료진의 보조 진단 도구로 활용 가능성이 크다 .
그러나 데이터셋 크기와 다양성의 한계, 의사의 임상 판단을 완전히 대체할 수 없다는 점은 여전히 제약사항이다 .
따라서 향후 연구는 대규모 다기관 데이터셋 수집 및 임상 현장 적용 테스트가 필요하다.
결론
-
AlexNet 기반 전이학습 CNN은 COVIDGR-1.0 CXR 데이터를 정상, 경증, 중등도, 중증 단계로 분류하는 데 있어 87.8%의 정확도와 0.8781의 AUC를 달성하였다.
-
의료 영상 분석에서 딥러닝의 잠재력은 크지만, 임상 의사와의 협업 및 데이터 품질 확보가 필수적이다.
-
본 연구는 향후 의료 AI 보조 진단 시스템 개발에 기여할 수 있을 것이다.
참고문헌
[1] J. L. Guirado et al., “COVIDGR dataset and SDNet methodology for predicting COVID-19 in chest X-ray images,” IEEE J. Biomed. Health Inform., vol. 24, no. 12, pp. 3595–3605, 2020.
[2] M. Ji, J. Chun, and N. Kim, “An Improved Image Classification Using Batch Normalization and CNN,” J. Internet Comput. Serv., vol. 19, no. 3, pp. 35–42, 2018.
[3] M. Z. Alom et al., “The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches,” arXiv preprint arXiv:1803.01164, 2018.
[4] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun. ACM, vol. 60, no. 6, pp. 84–90, 2017.
[5] O. Filchakova et al., “Review of COVID-19 diagnostic methods,” Talanta, vol. 244, p. 123409, 2022.
[6] D. Al Bashish, M. Braik, and S. B. Ahmad, “Detection and classification of leaf diseases using K-means-based segmentation and neural networks,” Inf. Technol. J., vol. 10, no. 2, pp. 267–275, 2011.
[7] A. Abdelgawad et al., “Automatic Detection of COVID-19 from Chest X-ray Images with Convolutional Neural Networks,” in Proc. ICCECE, 2020, pp. 1–6.
댓글
댓글 쓰기