4학년 1학기 컴퓨터 비전 수강중, 컴퓨터 비전 관련 프로젝트 주제로 GI-tract image segmenation 을 정했다.
기준으로
- 머신러닝/딥러닝 + 컴퓨터비전에 관련되어야함.
- 의료 관련 문제 해결이었으면함.
- 데이터셋을 학생신분으로 구할 수 있어야함.
- Image segmentation 관련 커뮤니케이션이 있었으면함
위 조건을 만족하는 대상으로 kaggle competition GI-tract image segmentation 으로 결정하였다.
https://www.kaggle.com/competitions/uw-madison-gi-tract-image-segmentation
UW-Madison GI Tract Image Segmentation | Kaggle
www.kaggle.com
Gthub : https://github.com/kimhwijin/computer_vision_assignment/tree/main/Project2
대회 개최 이유
Host 에서는 매년 500만명이 넘는 사람들이 소화기관 암을 진단받고, 병원에서 소화기관 암치로를 위해 고선량 방사선을 종양에 쏜다고한다. 이때 주변 장기들 ( 소장, 대장, 위장 ) 에 방사선량이 도달하지 않게 고선량 방사선을 쏘는게 중요하다고 한다.
병원 내에서 MRI 와 MR-Lines 라는 기술로 환자의 내부 장기 위치 영상을 얻을 수 있다. 전문의는 이 영상을 수동으로 장기와 종양을 구분해내 방사선을 쏘는 위치를 정한다고 한다. 그런데 많은 환자들과 각 환자의 많은 영상 데이터들을 모두 수동으로 하는데 전문의들의 많은 시간이 소모된다고한다.
결국 딥러닝 모델을 통해서 환자 MRI 영상의 소장, 대장, 위장을 자동으로 Segmentation 한다면, 기존 소모되던 시간을 치료에 더 집중할 수 있다고 한다.
데이터 셋
16 bit gray-scale PNG 파일로 각 환자에 대한 day-slice 으로 시계열화 되어있다.
Target Mask 는 RLE-encoded 되어있고, large_bowel, small_bowel, stomach 3 개의 레이블이 존재한다.
평가 지표
Dice-coefficient :
$$ \frac{2* | X \cap Y|}{|X| + |Y|} $$
구현 목표 네트워크 구조
- UNet (https://arxiv.org/abs/1505.04597)
- Deep Lab v1 ~ 2 (https://arxiv.org/abs/1606.00915)
관련 기법
- UNet : Weight Loss
- Deep Lab : Atrous Convolution, Fully Connected CRF