검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

The Effectiveness of Data Augmentation for Mature White Blood Cell Image Classification in Deep Learning — Selection of an Optimal Technique for Hematological Morphology Recognition — 딥러닝에서 성숙 백혈구 이미지 분류를 위한 데이터 증강의 효과 — 혈액학적 형태 인식을 위한 최적 기법의 선택 —

Hiroyuki NOZAKA, Kosuke KAMATA, Kazufumi YAMAGATA

  • 조회수

    3

  • 이것을 인용

요약 :

데이터 증대(Data Augmentation) 방법은 딥러닝의 지도 학습을 위해 적은 수의 이미지로 구성된 데이터 세트에서 많은 수의 이미지로 구성된 데이터 세트를 생성하는 데 유용한 기술로 알려져 있습니다. 그러나 최근 인공지능(AI)에 대한 연구에서는 영상인식에 대한 낮은 타당도 증강 방법이 보고됐다. 본 연구에서는 백혈구(WBC) 인식을 위한 딥러닝 모델 생성에서 최적의 데이터 증대 방법을 명확히 하는 것을 목표로 했습니다. 연구 디자인 : 우리는 감독 훈련을 통해 생성된 WBC 인식을 위한 각 AI 모델을 사용하여 원본 WBC 이미지에 대해 세 가지 다른 데이터 확대 방법(회전, 크기 조정 및 왜곡)을 수행했습니다. 임상평가 대상자는 건강한 사람 51명이었다. 말초 혈액으로부터 박층 혈액 도말을 준비하고 May-Grünwald-Giemsa 염색을 실시했습니다. 결과 : WBC 인식을 위한 AI 모델 중 유일하게 유의미하게 효과적인 기술은 회전을 통한 데이터 확대였습니다. 대조적으로, 이미지 왜곡과 이미지 스케일링의 효율성은 모두 낮았으며 향상된 정확도는 특정 WBC 하위 범주로 제한되었습니다. 결론 : 지도 학습을 통해 AI 생성에서 높은 정확도를 달성하기 위해 데이터 증강 방법이 자주 사용되지만, 의료 영상의 특성을 기반으로 의료용 AI 생성을 위한 최적의 데이터 증강 방법을 선택하는 것이 필요하다고 생각합니다.

발행
IEICE TRANSACTIONS on Information Vol.E106-D No.5 pp.707-714
발행일
2023/05/01
공개일
2022/11/22
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2022DLP0066
원고의 종류
Special Section PAPER (Special Section on Deep Learning Technologies: Architecture, Optimization, Techniques, and Applications)
범주
스마트 헬스 케어

작성자

Hiroyuki NOZAKA
  Hirosaki University
Kosuke KAMATA
  Hirosaki University
Kazufumi YAMAGATA
  Hirosaki University

키워드