시기

• 2021.10 ~ 2022.04

프로젝트 소개

• 갑상선 결절 위험도를 판독하는 특성중 Calcification 특성 분류 모델 학습

개발 환경

인력구성

• AI 엔지니어 1명, 파이썬 개발자 1명

역할

• 전처리 된 이미지 데이터 셋을 전달받아 분류 모델 학습

• 레이블 불균형 문제를 해소하기 위해 class weight, focal loss를 구현

  • Keras API의 Inception ResNet V2 신경망을 fine tuning하여 학습 진행.
    • 신경망의 fine tuning시 Dense 레이어의 활성화 함수를 relu에서 swish로 변경하여 학습 진행

• 레이블 불균형 문제의 해소를 위해 여러 방법으로 시도 해봄.

  1. focal loss 적용 모델 테스트 결과

     • 데이터가 가장 많은 레이블에 대해서만 높은 성능을 보임.
       • 다수 레이블 : 정밀도 0.82, 재현율 1.0, f1 socre 0.9
       • 소수 레이블 : 정밀도 1.0, 재현율 0.03, f1 score 0.06

  2. class weight 적용 모델 테스트 결과

     • 전체적인 모델 성능은 낮아졌지만, 소수 레이블의 평가 지표가향상되는 효과를 확인함.
       • 다수 레이블 : 정밀도 0.92, 재현율 0.65, f1 core 0.76
       • 소수 레이블 : 정밀도 0.29, 재현율 0.63, f1 score 0.40

  3. 데이터 resampling 적용 모델 테스트

     • Keras API에서 제공하는 이미지 증강 옵션을 이용해 데이터 생성
     • 다수 레이블의 평가 지표는 감소하였지만, 소수 레이블에 대한 평가 지표가 크게 향상되는 효과를 확인함.
       • 다수 레이블 : 정밀도 0.78, 재현율 0.67, f1 core 0.72
       • 소수 레이블 : 정밀도 0.73, 재현율 0.73, f1 score 0.73

결과

• 정밀도 : 0.75
• 재현율 : 0.83
• f1 score : 0.81** | | 실증 테스트 결과 | 정확도 75.3% |