A Computer Aided Diagnosis Algorithm for Classification of Malignant Melanoma based on Deep Learning

Ⅰ. 서론

1)

서양에서는 악성흑색종이 전체 악성 종양의 약 1~3%를 차지하며 특히 백인에서 호발하고 서양에서 뿐만 아니라 우리나라에서도 점차 증가하는 추세에

　* 계명대학교 의용공학과 학부학생

　** 계명대학교 타불라라사칼리지 조교수(교신저자)

있다[1]. 미국의 경우 피부 병변의 자동 분석에 초점 을 맞춘 ISIC(international skin imaging collaboration, 국제협력기관)을 만들어 관련 자료를 수집하고 연구의 기반을 닦아오고 있다[2]. ISIC는 세 계 각지의 임상 센터에서 수집된 2000여 장의 악성흑 색종 영상을 전문가의 진단 결과와 함께 제공해주고 있다. 본 연구는 2017년 ISIC에서 제공한 피부확대경

딥 러닝 기반의 악성흑색종 분류를 위한 컴퓨터 보조진단 알고리즘

임 상 헌^*ㆍ이 명 숙^**

A Computer Aided Diagnosis Algorithm for Classification of Malignant Melanoma based on Deep Learning

Lim SangheonㆍLee Myungsuk

<Abstract>

The malignant melanoma accounts for about 1 to 3% of the total malignant tumor in the West, especially in the US, it is a disease that causes more than 9,000 deaths each year.

Generally, skin lesions are difficult to detect the features through photography. In this paper, we propose a computer-aided diagnosis algorithm based on deep learning for classification of malignant melanoma and benign skin tumor in RGB channel skin images. The proposed deep learning model configures the tumor lesion segmentation model and a classification model of malignant melanoma. First, U-Net was used to segment a skin lesion area in the dermoscopic image. We could implement algorithms to classify malignant melanoma and benign tumor using skin lesion image and results of expert’s labeling in ResNet. The U-Net model obtained a dice similarity coefficient of 83.45% compared with results of expert’s labeling. The classification accuracy of malignant melanoma obtained the 83.06%. As the result, it is expected that the proposed artificial intelligence algorithm will utilize as a computer-aided diagnosis algorithm and help to detect malignant melanoma at an early stage.

Key Words : Deep Learning, Machine Learning, Malignant Melanoma, Convolutional Neural Network, Computer Aided Diagnosis

영상 및 진단결과를 이용하여 진행하였다.

악성흑색종은 멜라닌 생성세포로 구성된 악성 피 부종양이다. 멜라닌세포는 피부나 점막에 있는 정상 적인 세포로 피부에서 멜라닌을 생성하는 역할을 한 다. 이와 같이 정상적으로 존재하는 멜라닌세포에서 생긴 암을 악성흑색종이라고 한다. 피부에 생기는 악 성종양에는 악성흑색종 외에 편평상피세포암, 기저세 포암 등이 있는데, 이 중에서 악성흑색종의 악성도가 가장 높다. 악성흑색종은 가장 치명적인 형태의 피부 암으로 서양에서는 관련 사망자의 약 75%를 차지한 다[3]. 그러나 악성흑색종은 피부와의 낮은 시각적 대 비, 양성피부종양과 높은 유사성 등의 특징을 가지기 때문에 육안에 의존하는 진단에 어려움이 있다[4]. 독 일의 한 대학병원에서 보고된 바에 따르면, 발에 흑 색종이 있는 것으로 의심되어 진단받은 107명의 환자 중 32명(30%)이 초기 오진으로 판명된 사례가 있다 [5]. 또한 다른 신체 부위에서는 약 10% 정도의 오진 을 보인다고 보고되었다[6-7]. 이 같은 이유 때문에 최근 국내, 외에서는 피부암 진단의 정확성을 높이기 위해 피부확대경 기술을 도입하였다[8].

이에 본 연구는 U-net을 이용한 피부 병변 영역 분 할과 ResNet을 이용한 병변 분류를 통해 의사의 진단 을 보조하는 알고리즘을 구현하였다. 본 알고리즘에 IoT 기반의 자동화 기술[9]을 접목하여 실시간 병변 검출 시스템[10]을 구축한다면, 의사의 진단을 보조하 고 악성흑색종의 조기발견과 불필요한 조직검사를 감소하는 역할을 할 것으로 기대한다.

Ⅱ. 이론적 배경

다음 그림은 악성흑색종 <그림 1(a)>과 양성피부 종양 중 하나인 지루각화증 <그림 1(b)>을 피부확대

경으로 촬영한 영상이다. 피부확대경은 확대된 피부 영상을 얻기 위한 비침습적 피부 영상 기법으로 피부 병변을 약 10배 가량 확대해서 관찰하는 도구이다.

피부확대경은 단순한 확대경이 아니라 병변에 미네 랄 오일, 알코올, 또는 물을 적셔 피부 표면에서 일어 나는 빛 반사를 제거하여 각질층을 투과해 표피, 표 피-진피 경계부, 진피의 상층에 이르기까지 관찰이 가 능하게 해준다[5].

악성흑색종은 진행된 이후에는 좋은 치료방법이 없으나 초기에 발견하면 완치가 가능한 질환이므로 초기에 정확한 판독을 하는 것이 중요하다. 악성흑색 종의 진단은 일반적으로 육안으로 관찰하거나 피부 확대경을 이용하여 관찰하는데, 관찰된 병변이 악성 흑색종으로 의심되는 경우 조직검사를 통해 정확한 진단을 내린다. 악성흑색종 진단 과정 중 피부 병변 을 관찰하는 단계에서 적용되어 진단 정확도를 향상 시킬 수 있는 임상적 평가 방법인 ABCDE 규칙 <표 1>[11]은 다음과 같다.

피부확대경을 이용하여 관찰하더라도 <표 1>의 규

(a) (b)

<그림 1> (a) 악성흑색종 (b) 양성피부종양(지루각화증)

<표 1> ABCDE 규칙

A (Asymmetry) 비대칭성

B (Border) 가장자리 불규칙성

C (Color) 색조의 다양성

D (Diameter) 직경이 6mm 이상

E (Evolution) 크기 변화

칙에 따라 정확한 진단을 내리기는 쉽지 않은 작업이 다. 따라서 본 논문에서는 심층신경망을 이용하여 전 문가의 판독을 보조하는 알고리즘을 제안한다. 본 논 문에서 사용된 피부확대경 영상은 불특정 환자의 의 료 영상이며 영상에 따라 찍는 거리가 다르기 때문에 D, E 규칙을 적용하기 어렵다. 따라서 병변 영역을 분할하는 과정을 거친 후, RGB 병변 영상을 CNN(Convolution Neural Network, 합성곱 신경망) 을 이용하여 A, B, C 규칙의 특징을 학습하였다.

2.2 딥 러닝

기계 학습의 한 분야인 딥 러닝의 개요와 관련 주 요 기술들에 대해 역사와 원리를 소개한다. 기계학습 은 인공지능의 한 분야로 주어진 데이터로부터 패턴 이나 특징을 학습하여 스스로 작업을 정의하고 새로 운 데이터에 대한 작업을 수행할 수 있도록 하는 알 고리즘 및 관련 기술 분야로서 표본 데이터와 같은 과거의 경험을 바탕으로 컴퓨터가 최적의 성능을 갖 도록 계획하는 일로 정의된다[12-13].

딥 러닝은 생물의 신경계를 모방한 인공신경망을 기반으로 기존의 인공신경망 모델이 얇은 층의 뉴런 모델들의 연결로 구성되어 있다면, 딥 러닝은 뉴런 모델의 층을 깊게 쌓아올림으로써 신경망의 학습 능 력을 높이는 모델이다[14]. 따라서 딥 러닝은 인공지 능 및 기계학습의 대표적인 모델 중에 하나인 인공신 경망의 일종이다.

본 논문에서 다루고 있는 딥 러닝을 이용한 컴퓨터 보조 진단 방법은 특징 추출, 병변 영역 추출 그리고 병변 분류까지 인공신경망을 깊게 쌓는다는 개념을 이용하여 인간의 지도하에 스스로 학습하는 방법이다. 따라서 U-Net[15]을 이용하여 피부확대경 영상 내 병 변 영역 분할, 원본 영상에서의 병변 영역 추출을 추 출한 후, 추출된 병변 영역의 RGB 영상에서 CNN을 이용하여 악성 종양 및 양성 종양을 예측한다.

2.3 선행 연구

서울 아산병원의 인공지능이 흑생종의 양성과 악 성 여부를 90%이상 감별하였다. 이는 종양의 비대칭 성과 가장자리 불규칙성 등에 대한 다양한 분석할 수 있도록 CNN 구조로 이루어진 인공지능 모델에 학습 시켰다.

Ⅲ. 병변 영역 분할

본 연구에서 사용한 딥 러닝 학습 및 테스트 데이 터 셋을 <그림 2>과 같은 절차를 거쳐 수행한다.

3.2 데이터

본 연구에서는 ISIC 2017에서 제공한 데이터 중 2000장의 학습 세트를 사용하였다. 훈련 세트는 하나 의 병변을 찍은 피부확대경 영상 <그림 3(a)>와 정답 레이블인 이진 분할 영상 <그림 3(b)>, ResNet에서의

테스트 데이터 셋

데이터 전처리

U-Net 학습

결과 분석 및 재학습

검증 데이터 셋

결과 검증 및 테스트

학습 된 파라미터

U-Net을 이용한 병변 영역 분할

ResNet 학습

결과 분석 및 재학습 학습 된

파라미터

<그림 2> 딥 러닝 절차

지도학습을 위한 전문가의 정답 레이블로 이루어져 있다. 사용된 2000장의 피부확대경 영상 중 <그림 4>

와 같이 모발이 지나치게 많은 경우, 모델 학습에 불 필요한 마킹이 된 경우, 영상 내 확대경 노이즈가 많 은 경우를 딥 러닝 데이터 세트에서 제외하여 총 1161장의 영상을 사용하였다.

3.3 데이터 전처리

데이터 세트의 원본 영상은 영상에 따라 해상도가 다르고 대체로 1000×1000 이상의 고해상도 영상이므 로 원본 영상을 이용하여 U-Net을 학습시키는 것은 비효율적이라고 판단하여 원본 피부확대경 영상과 이진 분할 영상을 128×128 해상도로 resize하였다.

O.Ronneberger등이 제안한 U-Net은 영상 내 semantic segmentation을 위한 심층신경망 모델이다 [15]. U-Net은 unpadded convolution 방법을 사용하 여 학습하기 때문에 입력 영상에 따른 출력 영상의 크기가 convolutional layer의 개수에 비례하여 작아 진다. 따라서 본 논문에 사용되는 피부확대경 영상을 학습시키기 전에 symmetric padding 방법 <그림 5(a)>을 사용하였으며 이진 분할 영상의 경우 zero

padding 방법 <그림 5(b)>을 사용하였다. 피부확대경 영상의 경우 U-Net 모델에 입력하기 전 과정에서 원 활한 학습을 위해 정규화를 하였다.

3.4 U-Net

O.Ronneberger 등이 제안한 U-Net은 알파벳 ‘U' 모양의 구조를 가지고 있으며, 의료영상에서의 의미 적 분할을 위한 Convolutional-Unconvolutional Layer 기반의 모델이다[15]. 또한 일반적인 CNN의 용도는 하나의 이미지에 대한 출력이 단일 클래스 레 이블인 분류 작업이지만, 의료 영상 내 병변 영역의 분할은 처리과정에서 지역 정보를 포함해야 하므로 각 픽셀에 대한 클래스 레이블링이 필요하다고 한다. 따라서 본 논문에서는 교사 학습을 위해 이진분할 영 상을 적용하여 병변 영역을 구분할 수 있도록 U-Net 을 학습 하였다.

학습에 사용된 softmax 함수는 아래의 식 (1)과 같 으며, 입력 영상에 대한 정답의 추정 값을 구하는 역 할을 한다[10].

__{  }

′  



exp _′^

exp _

(1)

또한, 각 정답 픽셀에 대한 cross entropy loss 함수 는 식 (2)와 같으며 기존의 교차 엔트로피 손실 함수 에  라는 가중치 값이 추가되어 있다.

(a) (b)

<그림 3> (a) 피부확대경 영상 (b) 이진 분할 영상의 예

(a) (b) (c) (d)

<그림 4> 데이터 셋에서 제외 된 피부확대경 영상의 예.

(a) 모발이 지나치게 많은 영상, (b, c) 불필요한 마킹이 된 영상, (d) 확대경 노이즈가 많은 영상

(a)

(b)

<그림 5> (a) Symmetric Padding 방법 (b) Zero Padding 방법을 적용한 예

 

∈Ω

log _ (2)

 의 값은 영상 내 분할하고자 하는 객체가 여 러 개일 경우 객체 사이의 X위치에 있는 픽셀에 가중 치를 부여하는 매개변수이다. ^값을 구하는 방법 은 식(3)과 같다.

  _  _·exp  ^

_  _^

 (3)

_값은 X의 위치에 해당하는 빈도수에 따라 값이 결정된다. 즉, 주변에 존재하는 픽셀들이 같은 클래스 레이블을 가지는 경우 값이 높게 부여된다. 식 (3)의 exp수식은 X위치에서 가장 가까운 병변 영 역의 거리를 나타내는 함수_과 두 번째로 가까운 거 리는 나타내는 함수 _를 포함하여 병변 영역에 해당 하는 픽셀의 사이가 좁을수록 더 높은 가중치를 부여 하는 식이다.

식(2)에서 ^의  값은 softmax 함수에서 정답 의 레이블에 해당하는 k 값을 반환하는 함수이다. 따 라서 교차 엔트로피 손실 함수에서는 log함수 안에 k 값을 반환하므로 각 픽셀에 해당하는 정답 확률을 가

져와 _의 가중치를 부여받아 weight map을 출 력할 수 있었다. 식(1), (2), (3)에 따라 결정되는 weight map은 U-Net이 학습할 때 얼마나 가중치를 부여하여 학습할 것인지를 보여주는 그림으로 U-Net 모델의 최적화 과정을 돕는다.

Ⅳ. 학습 및 결과 분석

본 논문에서 사용된 U-Net,에 적용한 초-매개변수 값과 최적화 방법은 <표 2>와 같으며, 구조 및 처리 과정은 <그림 6>과 같다.

<그림 6> U-Net의 구조 및 처리과정.

<표 2> U-Net에 적용한 초-매개변수 값 및 최적화 방법

Layer 3

Feature 64

Filter Size 3×3

Pool Size 2×2

Stride 1

Optimizer 'Adam'

4.2 U-Net 결과 분석

전 처리 과정에서의 symmetric padding 방법은 영 상에서 피부 병변 영역 중 일부가 거울에 반사된 것 과 같이 영상의 모서리에 padding된다. symmetric padding 방법은 U-Net에서 출력된 영상에 영향을 줄 수 있으므로 입력크기에 대한 출력크기를 고려하여 입력 영상은 170×170 크기를 가지도록 하였다. 전 처 리된 170×170 크기의 피부확대경 영상의 출력 영상은 U-Net의 처리를 거친 후, 처음 resize했던 영상과 같 은 128×128 크기로 출력 되었으며 symmetric padding 영역은 출력에 영향을 주지 않았다.

제안하는 방법의 분할의 성능은 dice similarity coefficient 방법을 사용하여 계산하였다. 계산식은 식 (4)와 같으며 P는 U-Net 모델이 예측 한 분할 영역, G는 전문가의 레이블링 분할 영역을 의미한다. dice 방법은 100의 값에 가까울수록 분할 성능이 좋은 것 이다[16].

   

 × ∩

×  (4)

<표 3>은 전체 데이터 셋에서의 dice 값의 비율을 보여준다.

dice의 평균값은 83.45%이며, 최댓값은 99.24%, 최 솟값은 9.58%로 특수한 경우를 제외한 대부분의 영상 에서 준수한 성능으로 분할하였다. <그림 7(a)>는 피 부확대경 영상, <그림 7(c)>는 dice 값이 81.1%인 이

진 분할 영상 , <그림 7(b)>는 전문가의 레이블링 영 상이다.

이진 분할 영상을 이용하여 피부 병변 영역을 추출 한 영상을 <그림 8(a)>과 U-Net 모델이 예측한 이진 분할 영상으로 추출한 병변 영역 <그림 8(b)>을 비교 할 수 있다. dice의 값은 81.1%이므로 높은 값이라고 보기 어려우나, 보는 바와 같이 U-Net을 이용한 방법 또한 병변 영역을 예리하게 추출한 것을 알 수 있다.

<그림 9>에서 보는 바와 같이 영상 내 병변의 색 조가 피부와 대비하여 또렷한 경우 <그림 9(a)>는 모 발과 같은 노이즈에도 준수한 분할 성능을 보였다. 반면, 병변과 피부 영역의 구분이 모호한 경우 <그림 9(b)>에서는 모발과 같은 노이즈에 민감한 반응을 보 였다.

<표 3> 전체 데이터 셋에서의 dice 결과 비율 전체 데이터 셋에서의 dice 결과 비율 (%)

dice 값이 90% 이상 42.2%

dice 값이 80% 이상 25.8%

dice 값이 70% 이상 17.4%

dice 값이 70% 미만 14.3%

(a) (b) (c)

<그림 7> 피부확대경 영상(a)에 대한 전문가의 레이블링 영상(b)과 U-Net의 결과(c)

(a) (b)

<그림 8> (a) 레이블링 영역 (b) U-Net을 이용한 예측 영역

(a) (b)

<그림 9> (a) 병변의 색조가 피부와 대비하여 또렷한 경우 (b) 병변과 피부 영역의 구분이 모호한 경우

4.3 ResNet 학습

본 논문에서는 피부확대경 영상에서 RGB 병변 영 상을 추출한 후 ResNet을 이용하여 A, B, C 규칙의 특징을 학습하여 전문가의 판독을 보조 방법을 제안 하였다. ResNet 모델은 합성곱 연산을 사용하는 인공 신경망의 한 종류로써 residual network 이라는 개념 을 사용하여 CNN을 더 깊게 쌓은 모델이다[17-18].

본 논문에서는 ResNet 기반의 101개의 CNN을 사용 하여 깊은 망을 쉽게 최적화하고, 학습 정확도를 개 선시켰다.

합성곱 연산은 특정 높이와 너비를 갖는 필터 또는 커널을 일정 간격으로 이동하며 입력 데이터에 적용 하는 연산이다. <그림 10>에서 합성곱 연산의 과정과 결과를 볼 수 있다.

위에서 소개한 합성곱 연산은 영상에 대한 특징을 추출하는 과정으로서 이러한 출력에 bias를 더한 결 과를 CNN에서 feature map 이라고 한다. 합성곱 연 산을 거친 행렬의 크기가 작아진 것과 같이 합성곱 연산을 거친 영상 또한 해상도가 작아지므로, 일반적 으로 입력과 출력의 해상도를 동일하게 하기 위하여 합성곱 연산을 수행하기 전에 입력 영상에 zero padding을 적용한다.

<그림 11>에서는 피부확대경 영상 <그림 11(a)>와 영상에 대한 특징 맵 <그림 11(b),(c)>를 볼 수 있다.

보는 바와 같이 영상에 대한 특징 맵은 영상에 적용 되는 커널의 값에 따라 다양하게 나타나는 것을 알 수 있다.

4.4 ResNet 학습 결과 분석

학습 결과, 모델에서는 학습 세트에 대한 accuracy 는 80.06%, 검증 세트에 대한 accuracy는 70.10%로 출력하였다. 여기서 accuracy는 ISIC에서 제공받은 전문가의 판독 결과와 모델이 판독한 결과를 비교하 여 모델이 판독한 결과의 정확도를 계산한 것이다. 모델의 학습 과정에 대해 분석하기 위해 모델의 loss 그래프 <그림 12(a)>와 accuracy <그림 12(b)> 그래 프를 출력하여 분석하였다. 보는 바와 같이 학습 초 기에 모델의 loss와 accuracy는 학습을 진행함에 따라 수렴하며 모델의 판독 결과가 ISIC에서 제공받은 전 문가의 판독 결과와 동일한 결과를 내는 것을 알 수 있다.

Ⅴ. 결론

본 논문에서는 딥 러닝 기반의 악성흑색종 분류 알 고리즘에 대해 제안하였다. 악성흑색종은 초기에 발 견하여 치료하는 것이 중요하나, 육안을 이용한 진단 에는 한계가 있기 때문에 일반적으로 악성흑색종이 진행된 이후 진단되는 경우가 많다. 본 연구를 통해 두 개의 딥 러닝 모델을 학습하여 병변 영역의 추출 과 분류를 통하여 악성흑색종의 조기발견에 기여하 고자 하였다.

두 개의 딥 러닝 모델 중 U-Net의 결과로는 dice 값은 83.45%이며, 최대값은 99.24%, 최소값은 9.58%

<그림 10> CNN에서의 합성곱 연산 과정

(a) (b) (c)

<그림 11> 피부확대경 영상과 영상에 따른 특징 맵의 예 (a) 피부확대경 영상 (b)와 (c) 특징 맵

로 나타났다. 특수한 피부확대경으로 관찰하더라도 병변 영역의 정의를 내리기 힘든 몇 가지 영상을 제 외한 대부분의 영상에서 준수한 분할 성능을 보였다. 또한 전문가의 레이블링 영상으로 추출한 병변 영역 과 U-Net 모델이 예측한 이진 분할 영상으로 추출한 병변영역을 비교한 결과 RGB 영상을 데이터로 학습 한 U-Net이 병변 영역을 더욱더 예리하게 추출 할 수 있었다.

병변 판독을 위한 ResNet 모델을 학습한 결과 학 습 세트에 대한 accuracy는 83.06%, 검증 세트에 대한 accuracy는 70.10%로 관측되었다. 기존 오진율이 30%

인 독일의 진단 사례와 같이 악성흑색종의 조기 진단 율은 현저히 낮다. 따라서 본 딥 러닝 기반의 인공지 능 모델을 컴퓨터 보조 검출과 컴퓨터 보조 진단 알 고리즘으로 사용한다면, 악성흑색종의 조기발견을 통 해 불필요한 조직 검사 또는 오진율을 감소할 수 있

을 것이다.

본 연구에서 딥 러닝을 이용한 악성흑색종의 판독 은 RGB 기반의 테스터 셋을 사용한 것에 의미 있으 나, 레이블링이 제대로 되지 않거나 노이즈가 많은 영상은 학습에 불필요하다고 판단되어 해당 영상을 제외 후 학습하였다. 향후 더욱 다양한 feature를 가 지는 영상을 학습 셋에 포함할 수 있도록 최적의 의 료영상처리를 적용하여 비교해 볼 필요가 있다.

참고문헌

[1] 송계용·정경천·조광현·지제근·함의근, “악성 흑색 종의 임상 및 병리조직학적 고찰,“ 대한병리학회 지, 제124권, 제6호, 1997, pp. 566-573.

[2] ISIC Archive, https://www.isic-archive.com/

#!/topWithHeader/wideContentTop/main, 2018 년 5월 검색.

[3] Jerant, A. F., Johnson, J. T., Sheridan, C. D., Caffrey, T. J., “Early detection and treatment of skin cancer,“ Am Fam Physician, 62(2), 2000, pp.

357-368.

[4] Yuexuang, L., Linlin, S., “Skin Lesion Analysis Towards Melanoma Detection Using Deep Learning Network,“ Sensors, Vol.18, No.2, 2017, pp. 1-4.

[5] Wiebke, S., Lisa, Z., Dik, S., et al., “Initial misdiagnosis of melanoma located on the foot is associated with poorer prognosis, Medicine,“

Vol.95, No.29, 2016, pp. 4332.

[6] Krige, J. E. J., et al. “Delay in the diagnosis of cutaneous malignant melanoma, A prospective study in 250 patients,“ Cancer, vol.68, No.9, 1991, pp. 2064-2072.

[7] Metzger, S., et al. “Extent and consequences of (b)

(a)

<그림 12> ResNet 모델의 loss와 accuracy의 history 그래프 (a) loss 그래프, (b) accuracy 그래프

physician delay in the diagnosis of acral melanoma,“ Melanoma research, Vol.8, No.2, 1998, pp. 181-186.

[8] Grin, C. M., Kent P. F., and Jane M. G., Dermoscopy: a review, Dermatologic clinics, 2002, pp. 641-646.

[9] 조영석, “IOT를 이용한 DB기반 농작물 자동재배 에 관한 연구,“ (사)디지털산업정보학회 논문지, 제13권, 4호, 2017, pp. 25-31.

[10] 문원식, “실시간 분산 시스템에서 heartbeat 시그 널을 이용한 장애 검출,“ (사)디지털산업정보학회 논문지, 제14권, 2호, 2018, pp. 39-44.

[11] Rigel, Darrell S., et al. ABCDE—an evolving concept in the early detection of melanoma, Archives of dermatology, Vol.141, No.8, 2016, pp. 1032-1036.

[12] Yann, L., Yoshua, B., and Geoffrey, H., Deep learning, nature 521, 2015, pp. 436-444.

[13] Kevin, P. M., Machine Learning: A Probabilistic Perspective, MIT, 2012.

[14] Alex, K., Ilya, S., and Geoffrey, E. H., “Imagenet classification with deep convolutional neural networks.“ ACM, Vol.60, No.6, 2017, pp. 84-90.

[15] Olaf, R., Philipp, F., Thomas, B., “U-net:

Convolutional networks for biomedical image segmentation,“ International Conference on Medical Image Computing and Computer- Assisted Intervention, 2015, pp. 234-241.

[16] Yeghiazaryan, V., and Irina V., An overview of current evaluation methods used in medical image segmentation, Tech. Rep. CS-RR-15-08, Department of Computer Science, University of Oxford, Oxford, UK, 2015.

[17] Kaiming, H., et al, Deep residual learning for image recognition. Proceedings of the IEEE

conference on computer vision and pattern recognition, 2016.

[18] Kaiming, H., et al., Identity mappings in deep residual networks, European conference on computer vision, Springer, Cham, 2016.

▪저자소개▪

임 상 헌 (Lim Sangheon)

2014년 3월~현재

계명대학교 의용공학과(학사과정)

관심분야 : 인공지능, 기계학습, 인공신경망, 의료영상

E-mail : [email protected]

이 명 숙 (Lee Myungsuk)

2013년 3월~현재

계명대학교 타불라라사칼리지 교수

2009년 8월 계명대학교 컴퓨터공학과 (공학박사)

2003년 2월 계명대학교 컴퓨터공학과 (공학석사)

2001년 2월 계명대학교 컴퓨터공학과(공학사)

관심분야 : 컴퓨터 네트워크, 컴퓨터 구조, 컴퓨터 교육, 인터넷 윤리, 고등교육, OER, 학습 분석, 인공지능

E-mail : [email protected]

논문접수일 : 수 정 일 : 게재확정일 :

2018년 9월 20일 2018년 10월 29일 2018년 11월 30일