Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Exploring the Efficacy of Partial Denoising Using Bit Plane Slicing for Enhanced Fracture Identification: A Comparative Study of Deep Learning-Based Approaches and Handcrafted Feature Extraction Techniques

Created by
  • Haebom
Category
Empty

저자

Snigdha Paul, Sambit Mallick, Anindya Sen

개요

본 연구는 의료 영상에서 골절 분류의 정확도 향상을 위해 부분적 잡음 제거 기법과 심층 학습 모델(DenseNet), 전통적 특징 추출 기법(Decision Tree, Random Forest)을 활용하여 다양한 이미지 표현(원본 이미지, LSB 및 MSB 비트 평면 조합, 완전 잡음 제거 이미지, MSB 6 비트 평면과 LSB 2개의 잡음 제거 비트 평면 조합)을 비교 분석했습니다. 비트 평면 슬라이싱을 통해 잡음 간섭을 줄이고 정보 특징을 추출하여 SNR과 분류 정확도를 분석하고, 정보가 풍부한 비트 평면을 확인했습니다. Random Forest 분류기를 사용하여 부분적으로 잡음이 제거된 이미지 표현이 95.61%의 테스트 정확도를 달성하여 다른 이미지 표현보다 우수한 성능을 보였습니다. 이 연구는 효율적인 전처리, 특징 추출 및 분류 접근 방식 개발에 대한 통찰력을 제공하여 골절 식별의 정확도를 높이고 환자 치료 및 의료 결과를 개선하는 데 기여합니다.

시사점, 한계점

•
시사점:
◦
부분적 잡음 제거 기법을 통해 의료 영상의 골절 분류 정확도 향상 가능성을 제시.
◦
비트 평면 슬라이싱을 활용한 정보 특징 추출 전략의 효용성 확인.
◦
Random Forest 분류기의 골절 분류 성능 우수성 확인 (95.61% 테스트 정확도).
◦
효율적인 전처리, 특징 추출 및 분류 방법 개발에 대한 실질적인 지침 제공.
◦
향상된 진단 정확도를 통한 환자 치료 및 의료 결과 개선 가능성 제시.
•
한계점:
◦
특정 유형의 골절 및 의료 영상 데이터에 대한 연구 결과의 일반화 가능성에 대한 추가 검증 필요.
◦
사용된 데이터셋의 크기 및 다양성에 대한 명확한 설명 부족.
◦
다른 심층 학습 모델 및 전통적 분류기와의 성능 비교 분석 부족.
◦
부분적 잡음 제거 기법의 최적 파라미터 설정에 대한 자세한 논의 부족.
◦
실제 임상 환경에서의 적용 가능성 및 효용성에 대한 추가 연구 필요.
👍
Made with Slashpage