이 프로젝트는 유방 초음파 이미지를 분석하여 정상, 양성, 악성 종양을 분류하는 모델을 개발하는 것을 목표로 합니다. 초음파는 유방암 진단에 널리 사용되는 비침습적 검사 방법으로, 방사선 노출 없이 실시간으로 조직의 상태를 확인할 수 있습니다.
데이터 출처: Kaggle - Breast Ultrasound Images Dataset
- 수집된 데이터: 25~75세 여성의 유방 초음파 이미지 (2018년에 수집된 자료)
- 환자 수: 600명
- 이미지 수: 780개 (평균 이미지 크기: 500x500 픽셀)
- 클래스 분류: normal, benign, malignant
- Python 3.x
- TensorFlow
- Keras
- NumPy
- Pandas
- OpenCV
- Scikit-Learn
- Matplotlib
Swin Transformer : 비전 트랜스포머 모델로, 이미지 패치를 계층적으로 처리하여 계산 효율성을 높이고 다양한 비전 작업에서 높은 성능을 발휘
InceptionV3 : GoogLeNet의 발전된 버전으로, 다양한 크기의 필터를 병렬로 적용하여 네트워크 깊이를 효과적으로 증가시키고 계산 비용을 줄
EfficientNet : 모델 크기(너비, 깊이, 해상도)를 균형 있게 확장하는 원칙을 적용하여, 높은 성능을 유지하면서도 효율적인 계산 자원 사용을 목표
ResNet : 잔차 학습(residual learning) 개념을 도입하여 매우 깊은 네트워크에서도 기울기 소실 문제를 해결하고, 뛰어난 성능을 보이는 모델
DenseNet : 각 층이 모든 이전 층의 출력과 연결되어 정보 흐름을 극대화하고, 기울기 소실 문제를 완화하여 효율적인 특성 재사용을 가능하게 함
learning rate=0.001 optimizer = Adam epochs = 50 batch-size = 16
모델 | Test Accuracy | Test Loss |
---|---|---|
vit | 0.5785 | 0.9090 |
ResNet | 0.7934 | 0.6335 |
EfficientNet | 0.7769 | 0.9798 |
DenseNet | 0.8099 | 0.6052 |
InceptionV3 | 0.8347 | 0.4708 |
Swin Transformer | 0.6198 | 0.9027 |
의료 데이터이다 보니 더 많은 데이터를 수집하는데 어려움이 있어서 아쉬웠다.