- 진행상황 -

<김웅곤 연구원>

https://drive.google.com/open?id=1Cz3Db4B1cgdYrOa9xmIEqhJrc3vAeC9VCetYn8gXGjQ

<양경성 부장님>

Augmentation + VGG 16 모델로 97.33% Accuracy 도달

https://github.com/choco9966/Alzheimer-Lab/tree/master/%EC%8B%A4%ED%97%98%EA%B2%B0%EA%B3%BC/%EC%96%91%EA%B2%BD%EC%84%B1_%EC%8B%A4%ED%97%98%EA%B2%B0%EA%B3%BC

1. Augumentation(Open CV)를 이용해 부족한 label 1을 증가시킴

2. 가우스 프로세스와 베이지안 최적화를 적용하여 Hyperparameter Tuning

3. 학습된 VGG16에 Fully connected Layer를 이용하여 분류

• Augumentation을 적용하지 않고 정확도 89.58% 도달
  

  • Confusion matrix를 비교했을 경우 0,2를 완벽히 분류함. 1단계는 recall이 0으로 전부 분류를 못함.

  • Bayesian optimization을 이용하여 hyperparameter tuning을 이용함.

• Augumentation 했을경우 Vgg16 결과 97.33%

문제점 ( 강도영 교수님)

1단계 치매 Recall이 낮은 이유.

• intensity는 같지만, 병변의 position이 다를 수 있음. 눈으로 보면 알텐데 딥러닝이 과연 이것을 이해할 수 있을까?

• segmentation을 적용해보는것을 어떨지...? Box를 쳐서 클래스와 클래스위치까지 학습시켜야 하는데, 데이터가 적어서 가능할지?

질문사항 ( 강도영 교수님)

• 모델에 대한 설명을 해 주심. 1. Variational Autoencoders 2. 베이지안 최적화 3. Loss . Acc 4. filter를 잡아주냐? 학습된 모델(image net 일상이미지)을 가져온것 뿐이고 fully connected 부분의 수치만 잡아준 것임.

• GMM모델을 한번 적용해 보는 것이 어떠한지 질문받았음.

• Size를 줄이고 VGG16를 돌리면 이미 정보가 손실되어 있지 않은가???

• 사람이 매기는 기준하고 AI가 매기는 기준이 다르다.
  

  • 사람이 PET 사진을 보고 판독할 때는 white area는 안 보고, Gray area만 보는데, AI의 경우는 white(distribution간격이 너무 좁아서 사람이 판독하기 힘듦)까지 전부 고려한다. 그래서 1. white만 가지고 2. gray만 가지고 3. 사람 눈이 분석할 수 없는 영역까지 생각해 white + gray 전부 해 보는 경우로 나누어서 시도해보면 결과가 어떠할지?

질문사항 2 (김현우 연구원)

의학에서는 Recall이 제일 중요(민감)해서 accuracy를 낮추더라고 Recall을 더 높이는 방향으로 AUC를 최적화 하는 방안으로 https://www.dataschool.io/roc-curves-and-auc-explained/

를 참고 강구

추후 진행해볼 사항들 (김현우 연구원, 김웅곤 연구원)

VotingClassifier sklearn - Ensemble

Variational Autoencoders / WGAN - 사진의 분포

Size를 최대한 줄여서 해보고 싶음. size가 만약에 충분히 작아질 수 만 있다면, PET사진의 분포를 알 수 있음. 정규분포로 강제로 만든 다음에 정규분포를 이용해가지고 사진을 만들 수 있도록 하면 GAN도 가능할것 같다.