{"title":"基于深度学习和XGBoost的脑卒中早期症状诊断应用","authors":"Jeong-Hyun Noh, Wang-Su Jeon, Sang-Yong Rhee","doi":"10.5391/jkiis.2023.33.4.376","DOIUrl":null,"url":null,"abstract":"본 논문은 얼굴영상에서 입술영역을 분할한 후, 입술의 특징점을 이용하여 뇌졸중 전조증상의 유무를 판단하는 것이다. 입술 영역의 분할을 위해 의미론적 영상분할 모델인 UNet과 FCN을 사용하였는데, 이때에 백본망으로 VGGNet16, ResNet101, DenseNet121을 사용하였다. 실험결과 DenseNet121을 사용한 UNet의 mIoU가 92.5%로 가장 높았다. 그리고 입술영영 특징맵을 이용하여 뇌졸중 진단은 XGBoost를 사용한 결과 98.8%로 가장 높았다. 이 결과는 기존의 뇌졸중 진단 방법들 보다 정확도가 7.74~10.8% 향상된 것이다.","PeriodicalId":17349,"journal":{"name":"Journal of The Korean Institute of Intelligent Systems","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-08-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Stroke Diagnosis Early Symptoms Application using Deep Learning and XGBoost\",\"authors\":\"Jeong-Hyun Noh, Wang-Su Jeon, Sang-Yong Rhee\",\"doi\":\"10.5391/jkiis.2023.33.4.376\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"본 논문은 얼굴영상에서 입술영역을 분할한 후, 입술의 특징점을 이용하여 뇌졸중 전조증상의 유무를 판단하는 것이다. 입술 영역의 분할을 위해 의미론적 영상분할 모델인 UNet과 FCN을 사용하였는데, 이때에 백본망으로 VGGNet16, ResNet101, DenseNet121을 사용하였다. 실험결과 DenseNet121을 사용한 UNet의 mIoU가 92.5%로 가장 높았다. 그리고 입술영영 특징맵을 이용하여 뇌졸중 진단은 XGBoost를 사용한 결과 98.8%로 가장 높았다. 이 결과는 기존의 뇌졸중 진단 방법들 보다 정확도가 7.74~10.8% 향상된 것이다.\",\"PeriodicalId\":17349,\"journal\":{\"name\":\"Journal of The Korean Institute of Intelligent Systems\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-08-31\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Journal of The Korean Institute of Intelligent Systems\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.5391/jkiis.2023.33.4.376\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal of The Korean Institute of Intelligent Systems","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.5391/jkiis.2023.33.4.376","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Stroke Diagnosis Early Symptoms Application using Deep Learning and XGBoost
본 논문은 얼굴영상에서 입술영역을 분할한 후, 입술의 특징점을 이용하여 뇌졸중 전조증상의 유무를 판단하는 것이다. 입술 영역의 분할을 위해 의미론적 영상분할 모델인 UNet과 FCN을 사용하였는데, 이때에 백본망으로 VGGNet16, ResNet101, DenseNet121을 사용하였다. 실험결과 DenseNet121을 사용한 UNet의 mIoU가 92.5%로 가장 높았다. 그리고 입술영영 특징맵을 이용하여 뇌졸중 진단은 XGBoost를 사용한 결과 98.8%로 가장 높았다. 이 결과는 기존의 뇌졸중 진단 방법들 보다 정확도가 7.74~10.8% 향상된 것이다.
京公网安备 11010802042870号
京ICP备2023020795号-1
分享
求助内容：
应助结果提醒方式：
扫码关注我们
