ROI 학습방향

[SHEYCHAE]

##1. Big ROI 추출 (전처리)

• Big ROI추출 (손목, 엄지,중지,소지) - Big ROI에서 ROI추출 - ROI 골연령 등급 판단 - 골연령 계산>

• 각 영역에는 검사에 필요한 13개의 ROI가 모두 포함되어있음

##2. 4개 Big ROI에서 13개의 ROI 추출 확인

• Faster RCNN을 사용해 ROI 추출
• 학습을 위한 신경망 구조 (VGG NET)
• 학습을 위해 필요한 데이터: 4개 BR 영상과 각 영상 내에 포함된 13개 ROI좌표값

##3. 13개의 ROI 골등급 분류 (CNN)

• 13개의 ROI와 전문의가 판독한 각 ROI의 성숙도 등급 필요
• 데이터 부족 해결하기 위해 데이터 증가
• 학습에 사용되는 신경망 구조 : VGG -BA NET (VGG기반 뼈영상특징 잘 학습하도록 구조변경 한 것)
• 10 Fold Cross Validation 방식 사용하여 한정된 데이터로부터 10개의 모델생성
• 하나의 검사 부위당 10개의 모델 생성 , 13개 *10
• 등급분류 : 10개의 결과에 Ensemble 적용하여 최종 골등급 결정
• 최종적으로 얻어진 13개 ROI의 골등급에 할당된 점수 계산 -> RUS Score 확인
• TW3의 기준에 맞는 골연령 제시

[SHEYCHAE]

GP (Greulich-Plye) 기법
: 검사과정 단순
: 소요시간 짧음
: 정밀한 골연령 평가 어려움

TW3 (Tanner-Whitehouse) 기법
: 검사시간 오래걸림
: 0.1년 단위 검사 가능 (세밀하게 골연령 판독 가능)

-> GP는 서양아동 영상 기반이라,
우리나라 아동들에게는 TW3기법이 더 적합

[SHEYCHAE]

• TW3검사방법 구현

  1. 원본 X-ray 영상에서 13개의 뼈를 추출
  2. 추출된 13개의 뼈 성숙도 등급 분류
     -> Faster RCNN / CNN 사용

• Faster RCNN : 검사할 뼈 추출 (전처리)

• CNN : 뼈의 성숙도 등급 분류 (기존 신경망 구조변경)

[SHEYCHAE]

• 골연령 검사에 딥러닝을 적용시키기 위해서는 골연령 판독 검사의 기준이 되는
  왼손 X-RAY영상 데이터들과 전문의의 판독 결과 데이터 필요
• CNN으로 골연령 학습 가능하지만 영상 전체가 학습될 수 있으므로
  검사부위, 즉 관심영역 추출 과정이 필요
• Faster RCNN을 사용해 관심영역 추출 가능

1. TW3 기법의 검사 부위 추출
2. 검사 부위 추출의 정확도를 높이기 위한 전처리
3. CNN을 이용한 검사 부위 성숙도 등급 학습
4. 검사 부위 영상을 학습하기 적합한 구조로 변경된 신경망
5. 전처리 기법 유무에 따른 관심 영역 추출 실험
6. 전문의 판독결과 및 상용화 프로그램과 비교실험

[SHEYCHAE]

1. TW3 기법

1. 손과 손목을 X-RAY로 촬영한 뒤 검사에 사용되는 13개의 뼈를 찾아 뼈의 형태를 분석
2. 각각의 뼈에 정해진 기준에 따라 A~I까지 성숙도 등급 부여
3. (부위별로 성숙한 정도에 따른 모양새와 등급이 표준으로 정해져있음)
   각 뼈들의 등급 점수를 모두 합산한 값이 RUS Score
4. RUS Score에 따라 0.1년 단위로 골연령이 정의되어 있는 연령표를 보고 골연령 평가 진행

<Big ROI추출 (손목, 엄지,중지,소지) - Big ROI에서 ROI추출 - ROI 골연령 등급 판단 - 골연령 계산>
** 각 영역에는 검사에 필요한 13개의 ROI가 모두 포함되어있음