Earticle

초록

영어

Brain tumors are a lethal disease that is generally diagnosed through MRI readings by specialists. However, due to the diverse sizes and locations of brain tumors, MRI readings performed by specialists inevitably consume a great deal of time and cost. To resolve this, there is an increasing demand for automatic segmentation of brain tumor areas in MRI images, and with the recent development of deep learning technology, various studies on brain tumor segmentation using deep learning techniques are being conducted. In this paper, a modified 3D U-Net-based model is proposed to detect brain tumors in MRI images. The proposed model enhances computational efficiency by applying depthwise convolution in the traditional 3D U-Net and improves network training using residual blocks. As a result, the brain tumor area WT, TC, ET Dice scores were 90.08%, 86.95%, and 79.48% respectively, demonstrating better performance than the conventional 3D U-Net

한국어

뇌종양은 치사율이 높은 질병으로 일반적으로 전문의의 MRI 판독을 통하여 진단된다. 그러나, 뇌종양의 크기, 위치 가 다양하기 때문에, 전문의가 수행하는 MRI 판독은 많은 시간과 비용이 소요될 수 밖에 없다. 이를 해결하기 위해 MRI 영상에서 뇌종양 영역에 대한 자동 분할에 대한 요구가 증가하고 있으며, 최근 딥러닝 기술이 발달함에 따라, 딥러닝 기법을 활용한 뇌종양 분할 연구가 다양하게 진행되고 있다. 이에, 본 논문에서는 3D U-Net 기반의 변형된 모델을 통해 MRI 영상에서 보다 효과적으로 뇌종양을 검출하는 방법을 제시한다. 제안하는 모델은 기존의 3D U-Net에서 depthwise- Convolution을 적용하여 연산의 효율적을 높였으며, 잔차 블록을 사용하여 네트워크의 학 습을 향상시켰다. 그 결과, 뇌종양 영역 WT, TC, ET Dice 점수는 각 90.08%, 86.95%, 79.48%로 기존의 3D U-Net보다 나은 성능을 보였다.

목차

요약
Abstract
1. 서론
2. 관련연구
3. 실험
3.1 실험 환경 구성
3.2 데이터 셋 전처리 및 데이터 증강
3.3 모델 구조
3.4 학습 파라미터
3.5 실험 평가 및 방법
4. 결과
5. 결론
Acknowledgement
참고문헌

키워드

저자

• 김현무 [ Hyunmoo Kim | 호서대학교 일반대학원 컴퓨터공학과 ]
• 변현수 [ Hyeonsu Byeon | 호서대학교 일반대학원 컴퓨터공학부 ]
• 박찬빈 [ Chanbin Park | 호서대학교 일반대학원 컴퓨터공학부 ]
• 강예진 [ Yejin Kang | 호서대학교 일반대학원 컴퓨터공학부 ]
• 이호웅 [ Howoong Lee | 호서대학교 일반대학원 컴퓨터공학부 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  한국차세대컴퓨팅학회 논문지 [THE JOURNAL OF KOREAN INSTITUTE OF NEXT GENERATION COMPUTING]

• 간기

  격월간

• pISSN

  1975-681X

• 수록기간

  2005~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 566 DDC 004