1. 영상처리 소개와 영상시스템
  2. CAD용 Python 소개
  3. DICOM 이미지
  4. 2D 분류 모델 (머신러닝)

1. 영상처리 소개와 영상시스템

  • Visual spectrum (전자기 스펙트럼)
  • X-ray (X선)
  • Gamma ray (감마선)
  • Ultrasound (초음파)
  • Ionizing radiation (이온화 방사선)
  • Direct imaging (직접 영상)
  • Indirect imaging (간접 영상)
  • Gray scale (그레이 스케일)
  • Contrast (대비)
  • Spatial resolution (공간 해상도)
  • Temporal resolution (시간 해상도)
  • Noise (노이즈)
  • Signal-to-noise ratio (신호 대 잡음 비)
  • Continuous-to-continuous imaging (연속-연속 영상)
  • Continuous-to-discrete imaging (연속-이산 영상)
  • Image enhancement (영상 개선)
  • Image restoration (영상 복원)
  • Image analysis (영상 분석)
  • Image compression (영상 압축)
  • Image synthesis (영상 합성)
  • Image recognition (영상 인식)
  • Image reconstruction (영상 재구성)
  • Image registration (영상 등록)
  • Image segmentation (영상 분할)

목차로 돌아가기

2. CAD용 Python 소개

  • X-ray (X선)
  • CT (Computed Tomography, 컴퓨터 단층 촬영)
  • MRI (Magnetic Resonance Imaging, 자기 공명 영상)
  • PET (Positron Emission Tomography, 양전자 방출 단층 촬영)
  • SPECT (Single Photon Emission Computed Tomography, 단일 광자 방출 단층 촬영)
  • US (Ultrasound, 초음파)
  • Fundal Imaging (안저 촬영)
  • Microscopy (현미경)
  • Mammography (유방 촬영)
  • Radiologist (방사선 전문의)
  • Diagnosing Clinician (진단 전문의)
  • Pathologist (병리학자)
  • Histogram (히스토그램)
  • X-ray (엑스레이): 단일 이미지를 캡처하기 위해 단일 방향에서 신체에 x- 선이라고하는 방사선 유형을 투사하는 2D 이미징 기술.
  • Ultrasound (초음파): 고주파 음파를 사용하여 이미지를 생성하는 2D 이미징 기술.
  • Computed Tomography (컴퓨터 단층 촬영 (CT)): 인체 주위의 여러 각도에서 x- 레이를 방출하여보다 다른 각도에서 더 세밀한 부분을 포착하는 3D 이미징 기술.
  • Magnetic Resonance Imaging (자기 공명 영상 (MRI)): 강한 자기장과 전파를 사용하여 모든 각도에서 신체 부위의 이미지를 만드는 3D 이미징 기술.
  • 2D 이미징: 사진을 단일 각도로 촬영하는 이미징 기술.
  • 3D 이미징: 이미지를 다른 각도에서 촬영하여 많은 양의 이미지를 만드는 이미징 기술.
  • Mammogram (유방 조영술): 유방 영상 촬영에 특화된 2D 엑스레이의 일종.
  • Digital Pathology (디지털 병리학): 세포 수준의 생물학적 물질의 현미경 이미지를 디지털화하는 2D 이미징 유형.
  • Radiologist (방사선사): 의료 영상 데이터를 판독하도록 훈련받은 전문 임상의입니다.
  • PACS (Picture Archiving and Communication System): 병원 내외에서 의료 이미지를 저장하고 보는 데 사용되는 사진 보관 및 통신 시스템.
  • Screening (선별검사): 특정 질병에 대한 위험군에 속하는 개인을 대상으로 수행되는 테스트 유형.
  • Sensitivity (민감도): 테스트에서 반환된 정확하게 식별된 양성 사례의 비율.
  • Specificity (특이성): 테스트에서 반환되는 정확하게 식별된 부정적인 사례의 비율.

목차로 돌아가기

3. DICOM 이미지

  • DICOM (Digital Imaging and Communications in Medicine, 의학 영상 및 통신용 디지털 이미징): 의료 영상을 저장하고 전송하는 데 사용되는 표준.
  • PACS (Picture Archiving and Communication System, 사진 보관 및 통신 시스템): 병원 내외에서 의료 이미지를 저장하고 보는 데 사용되는 사진 보관 및 통신 시스템.
  • DICOM header attributes (DICOM 헤더 속성): DICOM 이미지에 대한 정보를 포함하는 헤더의 일부.
  • EMR (Electronic Medical Record, 전자 의료 기록): 환자의 의료 정보를 저장하는 전자 시스템.

Normalizing Pixel Intensities (픽셀 강도 정규화)

# 픽셀 강도 정규화
pixel_mean = np.mean(old_img) # mean: 평균
pixel_std = np.std(old_img) # std: 표준편차
normalize = (old_img - pixel_mean) / pixel_std
  • Histograms (히스토그램): 픽셀 강도의 분포를 보여주는 그래프. (Useful for assessing distributions of a single variable.) (단일 변수의 분포를 평가하는 데 유용합니다.)
  • Scatterplots (산점도): 두 변수 간의 관계를 보여주는 그래프. (Useful for assessing relationships between two variables.) (두 변수 간의 관계를 평가하는 데 유용합니다.)
  • Co-occurrence matrix (공존 행렬): 픽셀 강도의 공존을 보여주는 행렬. (Useful for assessing how frequently different variables occur together.) (서로 다른 변수가 얼마나 자주 함께 발생하는지 평가하는 데 유용합니다.)

목차로 돌아가기

4. 2D 분류 모델 (머신러닝)

  • Machine learning (머신러닝): 컴퓨터가 데이터를 사용하여 학습하고 예측을 수행하는 방법을 배우는 분야.
    • 연구자들은 사전 정의된 특성 강도 특성, 모양 특성, 위치 특성 등을 수행하는데 상당한 시간이 걸립니다.
    • Example: Otsu’s method (예: 오츠의 방법)
  • Deep learning (딥러닝): 머신러닝의 한 유형으로, 인공 신경망을 사용하여 데이터를 학습하고 예측을 수행하는 방법을 배우는 분야.
    • DL은 귀하를 위한 기능을 발견하여 모델 개발을 더 빠르고 정확하게 만듭니다.
    • Example: Convolutional neural networks (CNNs) (예: 합성곱 신경망 (CNN))
  • Otsu’s method (오츠의 방법): 이미지의 픽셀 강도 분포를 사용하여 이미지를 이진화하는 방법.
  • Thresholding (임계값 처리): 이미지를 이진화하는 방법.
  • Binary image (이진 이미지): 픽셀 강도가 0 또는 1로 표시되는 이미지.
  • Convolutional neural networks (CNNs, 합성곱 신경망): 이미지를 분류하는 데 사용되는 딥러닝 모델.
  • Convolutional layer (합성곱층): 이미지의 특징을 추출하는 데 사용되는 레이어.
    • Each layer consists of a set of filters which are matrices of weighted values (각 레이어는 일련의 필터로 구성되며, 이는 가중치 값의 행렬입니다.)
    • As the filters move across the image, they perform a convolution operation to detect features in the image (필터가 이미지를 통과하면서 합성곱 연산을 수행하여 이미지의 특징을 감지합니다.)
    • The output of a convolutional layer is a set of feature maps (합성곱층의 출력은 특징 맵의 집합입니다.)
    • As layers get deeper, they can detect more complex features (레이어가 깊어질수록 더 복잡한 특징을 감지할 수 있습니다.)
  • Pooling layer (풀링층): 이미지의 크기를 줄이는 데 사용되는 레이어.
  • Fully connected layer (완전 연결층): 이미지를 분류하는 데 사용되는 레이어.
  • Softmax function (소프트맥스 함수): 각 클래스에 대한 확률을 반환하는 함수.
  • Dataset (데이터셋): 모델을 학습시키기 위해 사용되는 이미지의 집합.
    • Training set (학습 세트): 모델을 학습시키기 위해 사용되는 이미지의 하위 집합.
    • Validation set (검증 세트): 모델을 학습시키기 위해 사용되는 이미지의 하위 집합.
    • Test set (테스트 세트): 모델을 평가하기 위해 사용되는 이미지의 하위 집합.
    • Dataset split - usually 80% training, 10% validation, 10% test (데이터셋 분할 - 일반적으로 80% 학습, 10% 검증, 10% 테스트)
  • Epoch (에포크): 모델이 데이터셋의 모든 이미지를 한 번씩 본 것을 의미합니다.
  • Batch size (배치 크기): 모델이 한 번에 처리하는 이미지의 수.
  • Learning rate (학습률): 모델이 학습하는 속도.
  • Loss function (손실 함수): 모델이 얼마나 잘 작동하는지 측정하는 함수.
  • Optimizer (최적화기): 모델이 손실 함수를 최소화하는 방법을 결정하는 방법.
  • Hyperparameters (하이퍼파라미터): 모델의 학습률, 배치 크기, 에포크 수 등과 같은 설정.
  • Training (학습): 모델이 데이터셋의 이미지를 사용하여 손실 함수를 최소화하는 방법을 배우는 것.
  • Validation (검증): 모델이 학습 중에 데이터셋의 이미지를 사용하여 손실 함수를 최소화하는 방법을 평가하는 것.
  • Test (테스트): 모델이 학습 후에 데이터셋의 이미지를 사용하여 손실 함수를 최소화하는 방법을 평가하는 것.
  • Overfitting (과적합): 모델이 학습 데이터에 대해 너무 잘 작동하지만 새로운 데이터에 대해 잘 작동하지 않는 것.
    • To prevent overfitting, we can add dropout layers to our model. (과적합을 방지하기 위해 모델에 드롭아웃 레이어를 추가할 수 있습니다.)
  • Underfitting (과소적합): 모델이 학습 데이터에 대해 잘 작동하지 않는 것.
  • Early stopping (조기 종료): 모델이 과적합되는 것을 방지하기 위해 학습을 중지하는 것.
  • Data augmentation (데이터 증강): 모델이 학습하는 동안 데이터셋의 이미지를 변형하는 것.
  • Transfer learning (전이 학습): 모델이 이미 학습된 모델의 일부를 사용하여 학습하는 것.
  • Fine-tuning (미세 조정): 모델이 이미 학습된 모델의 일부를 사용하여 학습하는 것.
    • In transfer learning / fine-tuning, we can freeze the early layers and add only new layers to train. In Keras, we set the trainable parameter to False to freeze a layer. (전이 학습 / 미세 조정에서 초기 레이어를 고정하고 새 레이어만 추가하여 학습할 수 있습니다. Keras에서 trainable 매개변수를 False로 설정하여 레이어를 고정합니다.)
  • Preprocessing (전처리): 모델이 학습하기 전에 데이터셋의 이미지를 변형하는 것.
    • Normalization (정규화): 이미지의 픽셀 강도를 0과 1 사이로 변환하는 것.
    • Standardization (표준화): 이미지의 픽셀 강도를 평균 0, 표준 편차 1로 변환하는 것.
    • Augmentation (증강): 이미지를 변형하는 것. (Never augment the validation or test set.) (검증 세트 또는 테스트 세트를 증강하지 마십시오.)
    • Resizing (크기 조정): 이미지의 크기를 변경하는 것.
  • Gold Standard (최적 표준): 가장 높은 감도와 정확도로 질병을 감지하는 방법입니다.
  • Ground Truth: 알고리즘의 출력과 비교하고 성능을 설정하는 데 사용되는 레이블입니다.
  • Silver Standard (실버 표준): 여러 가지 라벨 소스를 고려하여 실제 정보를 생성하는 방법

목차로 돌아가기