의료 영상의 모달리티 분류를 위한 심층 전이 학습

의료 이미지는 임상 진단 및 의사 결정에 매우 중요합니다. 이미지 모달리티는 임상의가 검색 시스템에서 필요한 의료 영상을 접근할 수 있도록 도와주는 중요한 첫 번째 단계입니다. 전통적인 모달리티 분류 방법은 수작업으로 제작된 특징의 선택에 의존하며, 이전 도메인 지식에 대한 명확한 인식이 필요합니다. 특징 학습 접근법은 다양한 모달리티의 시각적 특성을 효율적으로 탐지할 수 있지만, 훈련 데이터셋의 수에 제한이 있습니다. 레이블이 있는 데이터가 부족한 문제를 극복하기 위해, 우리는 한편으로는 ImageNet에서 사전 학습된 다양한 깊이의 심층 컨볼루션 신경망(VGGNet, ResNet)을 사용하고, 자연 이미지의 일반적인 특징을 보존하기 위해 대부분의 초기 레이어를 고정하며, 이미지CLEF에서 도메인 특정 특징을 학습하기 위해 상위 레벨 부분만 학습합니다. 그런 다음, 도메인 특화된 특징을 더 포착하기 위해 단지 여섯 개의 가중치 레이어를 가진 심층 CNN을 처음부터 훈련합니다. 한편으로는, CNN이 이미지 모달리티 특징을 완전히 잠재력을 발휘할 수 있도록 두 가지 데이터 증강 방법을 사용합니다. 최종 예측은 세 개의 CNN의 출력에 기반한 투표 시스템에 의해 제공됩니다. 우리가 제안한 모델을 ImageCLEF2015 및 ImageCLEF2016의 서브피겨 분류 작업에서 평가한 결과, ImageCLEF2015에서 76.87%, ImageCLEF2016에서 87.37%의 새로운 최첨단 결과를 얻었습니다. 이는 우리가 제안한 전이 학습 방법 및 데이터 증강 기술에 기반한 CNN이 의료 이미지의 모달리티를 보다 효율적으로 식별할 수 있음을 시사합니다.