딥 네트워크를 이용한 안저 이미지에서의 망막 분할에서 학습데이터가 부족한 문제를 해결하기 위해, 데이터 증강기법에 대해 연구하고자 한다.
프라이버시 이슈와 전문가의 Labeling이 필요한 의료 분야에서 데이터 증강기법은 학습데이터 부족 문제를 해결하기 위해 중요한 기술이다.
U-Net 모델을 이용해서 프로젝트를 진행한다.
Mix-up을 이용한 데이터 증강기법이 이미지 분할 문제에서 효과적으로 사용될 수 있는지 망막 혈관 분할에 관한 공인 데이터셋에서 분석한다.
https://drive.grand-challenge.org/
DRIVE 데이터셋에는 20개의 학습데이터와 20개의 테스트데이터가 구성되어있다.
| 데이터 증강기법 | 자카드 |
|---|---|
| No Augmentation | 0.629 |
| 회전 및 색공간 변환(N=100) | 0.416 |
| Mix-up(λ=0.05; N=60) | 0.634 |
| Mix-up(λ=0.05; N=100) | 0.644 |
| Mix-up(λ=0.2; N=100) | 0.611 |
N은 데이터 증강을 통해 만들어진 학습데이터 수
실험을 통해 λ를 0.05로 설정하고 데이터의 개수를 100개로 늘려 Mix-up을 했을 때 성능이 가장 좋은 것을 알 수 있다. 2022 한국소프트웨어종합학술대회 KSC 2022 논문 발표
박주영 jj5973@naver.com