In this dissertation, we address the deep-learning approaches for classification and semantic segmentation of medical image data. We propose a Transferable Ranking Convolutional Neural Network to consider the inter-class relationship, and applied it to glaucoma detection in fundus images. Also, we propose an encoder-decoder in encoder-decoder Convolutional Neural Network architecture where precise segmentation is possible from the beginning of decoding by transmitting all levels of features extracted from every encoder block, and applied it to three types of main vessel segmentation in coronary angiography. The proposed classification and semantic segmentation methods showed higher classification accuracy and Dice Similarity Coefficient score compared to existing methods and it can be effectively applied to other medical image data with similar data characteristics.
이 논문에서는 의료 영상 데이터의 분류 및 시맨틱 분할을 위한 딥러닝 접근법을 다루었다. 의료 영상 분류 문제에 있어 클래스 간 관계를 고려하여 분류 정확도를 높이는 전이 가능한 랭킹 컨볼루셔널 뉴럴 네트워크를 제시하고 안저 영상에서 정상, 녹내장 의심, 녹내장을 분류하는 문제에 적용하였다. 또한, 의료 영상 시맨틱 분할 문제에 있어 인코더에서 추출한 모든 수준의 특징들을 디코더로 전달하여 시작 디코더에서부터 정교한 분할을 가능케하는 인코더-디코더를 포함하는 인코더-디코더 구조의 컨볼루셔널 뉴럴 네트워크를 제시하고 심혈관 조영술 영상에서 세 가지 주요 혈관을 분할하는 문제에 적용하였다. 제안한 분류 및 시맨틱 분할 방법은 기존 방법 대비 높은 분류 정확도와 다이스 유사도를 보여주었으며, 데이터 특성이 유사한 타 의료 영상 데이터의 분류 및 시맨틱 분할 문제에 효과적으로 적용될 수 있다.
