활용 모델

Ⅰ. 귀질환 분류 모델

귀질환 분류 모델 학습을 위해 검증용 데이터와 시험용 데이터를 각각 전체 데이터의 10%로 제시한다.

● 학습 알고리즘 : EfficientNet-B4
- Image Classification Task에 대하여 기존보다 훨씬 적은 수의 파라미터로 더욱 좋은 성능을 내서 State-Of-The-Art(SOTA)를 달성한 모델.
- Depth/width/resolution의 scale-up에 대한 최적의 조합을 AutoML을 통해 찾은 모델로써, 3가지 방법을 효율적으로 조절할 수 있는 compound scaling 방법을 제안한다. 제한된 resource 범위에서 최적의 조합을 고려한다. 이를 통해 기존보다 훨씬 적은 수의 파라미터로 더욱 좋은 성능을 내어 State-Of-The-Art(SOTA)를 달성할 수 있다.

출처: MingxingTan, Quoc V. Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv:1905.11946, 2020

Ⅱ. 병변 탐지 모델

병변 탐지 모델 학습을 위해 검증용 데이터와 시험용 데이터를 각각 전체 데이터의 20%와 10%로 제시한다.

● 학습 알고리즘 : Modified U-Net with WGAN
- U-Net is a convolutional neural network that was developed for biomedical image segmentation. The U-Net architecture consist of encoder and decoder section. The modified U-net used in the project has been modified from the vanilla U-net by adding attention and using resnet-18 layers as backbone

서비스 활용 시나리오
○ 귀 질환 AI 자동 판별 제품 개발에 활용
- 개발된 학습데이터셋을 기반으로 인공지능 판별 알고리즘을 생성하고 이를 적용한 제품 개발을 진행하여 검사 능력이 상대적으로 부족한 국가에 서비스

○ 귀 질환 원격진료를 위한 진단보조 서비스 개발에 활용
- 개발된 학습데이터셋을 기반으로 인공지능 판별 알고리즘을 생성하고 이를 적용한 원격 진단보조장치 개발 및 이를 활용한 서비스 개발
 

데이터 포맷
Ⅰ. 질환데이터
고막 내시경 검사 이미지에서 귀질환 7종에 대하여 질환 분류 태그로 작성된 라벨링데이터(json)로 구성
  1. 원천데이터 – png 포맷

 
               정상                            만성중이염                      유착성중이염

  
          삼출성중이염                          진주종성중이염                          선천성진주종

        외이도염 및 고막염

  2. 라벨링데이터 – json 포맷

Ⅱ. 병변데이터
고막 내시경 검사 이미지에서 병변 3종에 대해 폴리곤 세그멘테이션한 라벨링데이터(json)로 구성
  1. 원천데이터 – png 포맷

  
                        천공                                          진주종                             선천성진주종

  2. 라벨링데이터 – json 포맷

데이터 구성

어노테이션 포맷

실제 예시