L3分类深度学习模型matlab代码.zip

# L3_Classification_Deep Learning Model **세 번째 요추 CT 데이터 분류 딥러닝 모델 개발 프로젝트** | Lumbar Vertebrae 3 | |---| | <img src="https://github.com/yachae-sw/Muscle_Fat_Segmentation_DL/assets/93850398/c4c037e6-72d2-4394-a16f-92abd54063fd" width="350"> | ## 프로젝트 소개 - **프로젝트 목표 :** 복부 CT 영상에서 세 번째 요추 데이터 추출을 위한 최적화 알고리즘 및 분류 딥러닝 모델 개발 - **수행 기간 :** 2023.03 ~ 2022.07 (약 5개월) - **팀 구성 :** 공동 연구(3명 진행) - **담당역할 :** CT 데이터 전처리 및 딥러닝 모델 훈련 담당 | No_L3_CT | L3_CT | |---|---| | <img src="https://github.com/yachae-sw/Muscle_Fat_Segmentation_DL/assets/93850398/2165054b-a004-4546-939e-f18e849580b7" width="300"> | <img src="https://github.com/yachae-sw/Muscle_Fat_Segmentation_DL/assets/93850398/4cb9cde8-c47d-43a5-b151-e4a80dd17cca" width="300"> | ## 프로젝트 진행 과정 - 150명의 환자 CT 영상을 **DICOM 형식**에서 딥러닝 모델에 적용 가능한 형태로 변환하기 위해 Hounsfield Unit (HU) 값을 [-800 1500] 범위로 조절하고 **PNG 형식**으로 변환합니다. - 세 번째 요추 부분은 복부 내에서 소량으로 존재하기 때문에 **데이터 불균형** 문제가 발생합니다. 이를 해결하기 위해 세 번째 요추 부분에 대해서 데이터 증강을 적용하고 클래스 가중치를 조절합니다. - 최적의 데이터 비율과 클래스 가중치를 찾기 위해 **베이지안 최적화 방법**을 사용합니다. - 프로젝트에서 제안한 방법과 최적화를 적용하지 않은 모델의 결과를 비교하여 모델을 평가합니다. ## 프로젝트 결과 - 150명의 예측된 세 번째 요추(L3)의 중간 부분과 실제 L3 중간 부분의 평균 슬라이스 오차는 0.68±1.26로 나타났습니다. - 잘못 예측된 사례 중 대부분은 실제 중간 L3 슬라이스 이전 또는 이후의 슬라이스였습니다. - 연구 결과는 데이터 증강을 통한 오버 샘플링과 클래스 가중치 조절을 통해 **데이터 불균형 문제를 효과적으로 해결**할 수 있음을 입증하였습니다. | 방법 | 훈련데이터 | 중간 L3 error | |---|---|---| | FCN(kanavati et al, 2018) | Frontal MIP images | 0.87±4.66 | | VGG16 (Beharbi et al, 2017) | Frontal MIP images | 2.04±2.54 | | VGG11 (Dabiri et al, 2020) | Axial images | 0.87±2.54 | | ResNet50(최적화 수행 x) | Axial images | 1.68±1.43 | | **ResNet50(제안된 방법)** | **Axial images** | **0.68±1.26** | ## 프로젝트 후기 - 프로젝트를 통해 제안한 최적화 방법의 접근 방식이 **다양한 분야에서 데이터 불균형 문제**를 해결하는데 유용함을 확인했습니다. - CT 데이터를 다뤄 보면서 딥러닝 환경에 적용하는 방법을 배웠으며 앞으로 MRI, 심전도, 근전도와 같은 의료 데이터를 다뤄보고자 합니다.