repository
유방암 진단을 위한 SLIC 분할과 딥러닝의 융합
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | 선우명훈 | - |
| dc.contributor.author | 박진혁 | - |
| dc.date.accessioned | 2022-11-29T02:32:59Z | - |
| dc.date.available | 2022-11-29T02:32:59Z | - |
| dc.date.issued | 2021-08 | - |
| dc.identifier.other | 31042 | - |
| dc.identifier.uri | https://dspace.ajou.ac.kr/handle/2018.oak/20509 | - |
| dc.description | 학위논문(석사)--아주대학교 일반대학원 :전자공학과,2021. 8 | - |
| dc.description.abstract | 본 논문은 의사의 시점을 고려하여 X-ray 이미지 상에서 주변 픽셀에 비해 밝은 영역의 특성을 반영하는 네트워크를 구현한 논문이다. SLIC (Simple Linear Iterative Clustering) 알고리즘을 적용하여 RoI (Region of Interest) 이미지의 지역적인 특징과 원본 X-ray 이미지의 전체적인 특징을 모두 반영한 종양 분류 모델을 고안하였다. 종양의 악성여부를 추정하는 분류 네트워크를 구현하여 RoI 미적용시 정확도 0.925, 적용시 정확도 0.96라는 유의미한 성능 차이를 보여주었다. | - |
| dc.description.tableofcontents | 제 1 장 서 론 1 제 2 장 기존 알고리즘 및 배경지식 4 제 3 장 제안하는 네트워크 구조 6 제 1 절 제안하는 네트워크의 전체적 구조 6 제 2 절 CBIS-DDSM 8 제 3 절 SLIC 알고리즘을 이용한 RoI 추출 9 제 4 절 EfficientNet 10 제 4 장 결 과 11 제 5 장 결 론 16 참고 문헌 17 Abstract 17 | - |
| dc.language.iso | kor | - |
| dc.publisher | The Graduate School, Ajou University | - |
| dc.rights | 아주대학교 논문은 저작권에 의해 보호받습니다. | - |
| dc.title | 유방암 진단을 위한 SLIC 분할과 딥러닝의 융합 | - |
| dc.title.alternative | Integration of SLIC segmentation and deep learning method for breast tumor classification | - |
| dc.type | Thesis | - |
| dc.contributor.affiliation | 아주대학교 일반대학원 | - |
| dc.contributor.alternativeName | Jin Hyeok Park | - |
| dc.contributor.department | 일반대학원 전자공학과 | - |
| dc.date.awarded | 2021. 8 | - |
| dc.description.degree | Master | - |
| dc.identifier.localId | 1228057 | - |
| dc.identifier.uci | I804:41038-000000031042 | - |
| dc.identifier.url | https://dcoll.ajou.ac.kr/dcollection/common/orgView/000000031042 | - |
| dc.subject.keyword | CNN | - |
| dc.subject.keyword | SLIC | - |
| dc.subject.keyword | 딥러닝 | - |
| dc.subject.keyword | 유방조영술 | - |
| dc.description.alternativeAbstract | This paper implements a deep learning network that reflects the characteristics of a region that is brighter than the surrounding pixels on an X-ray image, considering the point of view of the radiologist. We apply a Simple Linear Iterative Clustering (SLIC) algorithm to devise a tumor classification model that reflects both the local features of the Region of Interest (RoI) image and the global features of the original image. We implemented a classification network to estimate the malignancy of the tumor which showed a significant performance difference of accuracy 0.96 on application of ROI, accuracy 0.925 without ROI. | - |
- Appears in Collections:
- Graduate School of Ajou University > Department of Electronic Engineering > 3. Theses(Master)
- Files in This Item:
- There are no files associated with this item.
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
-
- License
- STATISTICS
- Total Visit :3,780,625
- Total Download :1,819
- Today View :2,062
