창의적통합설계2 INFINITT healthcare X-ray 팀

자유전공학부 김재원
컴퓨터공학부 남재호
컴퓨터공학부 박지나

how to install python library prerequisites

pip install -r requirements.txt

how to run execution program

cd demo_codes
python execution.py

dataset schema

cat structure.txt

demo codes

200529_model.h5
200529_model.json

keras로 만든 FCN 모델입니다. 실행 프로그램이 시작할 때 불러와서 사용합니다.

execution.py
execution.pyw

실행 프로그램의 실행 코드입니다. .pyw 파일은 명령 프롬프트를 실행하지 않을 때 사용합니다.

display_metadata.py

input X-ray 영상의 정보를 불러오기 위한 코드입니다.

histogram_equalization.py

histogram equalization을 실행하기 위한 코드입니다.

brightness_contrast_control.py

영상의 밝기와 대비를 조절하기 위한 코드입니다.

windowing.py
windowing.png

영상의 windowing을 조절하기 위한 코드입니다.

canny_edge_detection.py

lung에 대해 canny edge detection으로 landmark를 찾기 위한 코드입니다.

black_white_windowing.py

lung에 대해 windowing으로 landmark와 anatomical imaging range를 찾기 위한 코드입니다.

fcn.py

lung에 대해 FCN 모델을 이용하여 landmark와 anatomical imaging range를 찾기 위한 코드입니다.

skull_super_pixel_clustering.py

skull에 대해 super pixel clustering으로 landmark와 anatomical imaging range를 찾기 위한 코드입니다.

skull.py

skull에 대해 windowing으로 anatomical imaging range를 찾기 위한 코드입니다.

plt.py

결과 출력을 위한 matplotlib.pyplot 코드를 공유하는 코드입니다.

make_dicom.py

head X-ray가 존재하지 않아 png, jpg 파일을 사용하여 DICOM 파일을 만들기 위한 코드입니다.

lung

fcn

└ predict_image

lung DICOM image에 대해 predict를 해 본 결과를 저장하는 폴더입니다.

└ test_result

anatomical imaging range를 찾기 위해 여러가지 방법으로 테스트해 본 코드입니다.

└ 200420_test256.txt ~ 200529_result.txt

4월부터 현재까지 여러 모델을 만들어 본 기록이고, 200529_model.h5와 200529_model.json이 최신 버전입니다. 따라서 200420 ~ 200523 result, model은 중요하게 생각하지 않아도 됩니다. 200529_model을 어떻게 만들었는지는 200529_result.txt에 나와 있습니다. 먼저 450개의 train set, 113개의 val set, 141개의 test set으로 구성되었으며, 512 * 512 size의 image로 preprocessing된 input을 사용합니다. model의 구조는 5개의 (conv - maxpooling), 1개의 dense, 5개의 (upsampling - conv)로 구성됩니다. 전체 param의 개수는 2M 정도이고, epoch 100회에 대해 dice coefficient가 95% 이상 나왔습니다.

├ preprocess_256.py
└ preprocess_512.py

학습을 png image로 진행하였기 때문에 DICOM file을 불러오지는 않습니다. 불러온 이미지 파일을 256 * 256 또는 512 * 512 size의 numpy array로 바꾸어 저장합니다. 최신 버전은 512 * 512 size를 적용한 preprocess_512.py입니다.

├ train_256.py
├ train_512.py
└ train_512_v2.py

preprocess_256.py, preprocess_512.py에서 저장한 numpy array를 불러와 학습을 진행합니다. 학습에 사용되었던 주요 설정은 다음과 같습니다.
optimizer = Adam
metrics = [dice_coef]
epochs = 100
batch_size = 8
callbacks = ReduceLROnPlateau
learning rate = 0.2
patience = 8
train_512.py가 최신 버전이며, train_256.py는 이전해 시도해보았던 코드이고, train_512_v2.py는 시도해보았으나 실패한 코드입니다.

├ predict_dicom.py
└ predict.py

anatomical imaging range를 잘 찾아내는지 검사하기 위해 SIIM dataset을 이용하여 테스트하는 코드입니다. DICOM 파일과 bounding box metadata를 불러와서 landmark 추출, anatomical imaging range 계산을 마친 후 정답과 결과의 차이를 저장합니다. 그 결과의 차이로 k-fold validation을 수행합니다. predict_dicom.py가 최신 버전입니다.

└ kfold.py

predict_dicom.py에서 예측한 결과를 토대로 10-fold validation을 수행합니다. 정확도는 +- 2cm 오차 안으로 들어오는 경우 정답이라고 하였고, 벗어나는 경우 오답이라고 정의한 metric입니다.

├ mask_to_img.py
├ merge_leftMask_and_rightMask.py
└ xray_to_img.py

dataset을 만들기 위해 image를 전처리하는 코드입니다. 크게 중요하지 않습니다.