AI-Hub

데이터 변경이력

데이터 히스토리

소개

- 무릎의 퇴행성 관절염 진단을 위한 켈그렌-로렌스 분류(K-L grade)가 라벨링된 무릎 AP X-Ray 이미지 데이터

구축목적

- 이미지 기반의 영상의학적 진단명과 환자의 증상 중심의 임상진단명의 상관관계 분석을 인공지능 머신러닝 시스템으로 분류하고 의료진의 최적인 진단 및 치료를 돕는 알고리즘 생성

- 원천 데이터 

- 라벨링 데이터

- K-L Grade 데이터 통계

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

- 무릎 AP X-Ray 이미지에서 무릎 관절염의 진단을 위한 K-L grade 등급 판정을 보조하는 인공지능 모델 개발

● 활용 모델 
  - 무릎 AP X-Ray 이미지로부터 K-L grade를 4 class(grade 1~4)로 진단하는 인공지능 모델을 개발함
  - YOLOv5 official code에서 제공하는 classify 코드를 기반으로 학습을 수행함 (Jocher, G. (2020). YOLOv5 by Ultralytics (Version 7.0) [Computer software]. https://doi.org/10.5281/zenodo.3908559)

● 학습 데이터
  - 무릎 AP X-ray 데이터 및 K-L 등급을 포함하는 레이블링 데이터
  - 학습 전처리를 위한 골극 바운딩 박스 레이블링 데이터

● 전체 구축데이터 비율
  - grade 1 : 38.90% (21,372)
  - grade 2 : 20.49% (11,255)
  - grade 3 : 18.13% (9,962)
  - grade 4 :  6.00% (3,292)
  - 정상 데이터(grade 0)는 학습에서 제외함

● 모델 학습 과정별 데이터 비율
  Train : Validation : Test = 37,163 : 4,589 : 4,129 (8:1:1)
  ■ Train
  - grade 1 : 17,311
  - grade 2 : 9,116
  - grade 3 : 8,069
  - grade 4 : 2,667
  ■ Validation
  - grade 1 : 2138
  - grade 2 : 1126
  - grade 3 : 996
  - grade 4 : 329
  ■ Test
  - grade 1 : 1923
  - grade 2 : 1013
  - grade 3 : 897
  - grade 4 : 296

● 전처리
  - 무릎 AP X-ray DICOM 데이터로부터 pixel_data를 추출하여 jpg 이미지로 변환함.
  - 변환된 이미지로부터 골극 바운딩 박스 영역 내의 관심 영역을 추출하여 저장함.
  - CLAHE(Contrast Limited Adaptive Histogram Equalization) 수행
  - Zeropadding

● 학습 방법
  - yolov5 기반 사전학습된 분류 모델 이외에 다양한 CNN 모델을 적용하여 학습 모델을 개발함.
  - 가장 높은 성능을 보인 DenseNet201 모델을 선정하여 하이퍼파라미터 튜닝을 통해 최종 모델을 개발함.
  - loss function : CrossEntropy
  - optimizer : Adam
  - imgs : 512
  - pretrained : True
  - epoch : 100
  - learning rate : 0.0001
  - batch size : 8

- 무릎 AP X-Ray 이미지에서 연골하 경화 등급 진단 모델 개발

● 활용 모델 
  - 무릎 AP X-Ray 이미지로부터 연골하 경화 등급을 3 class(grade 0~2)로 진단하는 인공지능 모델을 개발함
  - YOLOv5 official code에서 제공하는 classify 코드를 기반으로 학습을 수행함 (Jocher, G. (2020). YOLOv5 by Ultralytics (Version 7.0) [Computer software]. https://doi.org/10.5281/zenodo.3908559)

● 학습 데이터
  - 무릎 AP X-ray 데이터 및 K-L 등급을 포함하는 레이블링 데이터
  - 학습 전처리를 위한 연골하 경하 바운딩 박스 레이블링 데이터

● 전체 구축데이터 비율
  - grade 0 : 76.27% (41,903)
  - grade 1 : 16.13% (8,863)
  - grade 2 :  7.60% (4,176)

● 모델 학습 과정별 데이터 비율
  Train : Validation : Test = 43953 : 5494 : 5495 (8 : 1 : 1)
  ■ Train
  - grade 0 : 33,569
  - grade 1 : 7,089
  - grade 2 : 3,295
  ■ Validation
  - grade 0 : 4,133
  - grade 1 : 916
  - grade 2 : 445
  ■ Test
  - grade 0 : 4,201
  - grade 1 : 858
  - grade 2 : 436

● 전처리
  - 무릎 AP X-ray DICOM 데이터로부터 pixel_data를 추출하여 jpg 이미지로 변환함.
  - 변환된 이미지로부터 연골하 경하 바운딩 박스 영역 내의 관심 영역을 추출하여 저장함.
  - CLAHE(Contrast Limited Adaptive Histogram Equalization) 수행
  - Zeropadding

● 학습 방법
  - yolov5 기반 사전학습된 분류 모델 이외에 다양한 CNN 모델을 적용하여 학습 모델을 개발함.
  - 가장 높은 성능을 보인 DenseNet201 모델을 선정하여 하이퍼파라미터 튜닝을 통해 최종 모델을 개발함.
  - loss function : CrossEntropy
  - optimizer : Adam
  - imgs : 512
  - pretrained : True
  - epoch : 100
  - learning rate : 0.0001
  - batch size : 8

설명서 및 활용가이드 다운로드

- 데이터 구성

- 어노테이션 포맷

- 데이터 포맷

- 실제예시

데이터셋 구축 담당자

수행기관(주관) : 가톨릭대학교 산학협력단

수행기관(참여)

데이터 관련 문의처

AI모델 관련 문의처

저작도구 관련 문의처