개요

평상시는 이비인후과의 개업의를 하고 있습니다.

이전에는 Microsoft Custom Vision Service를 사용하여 고막 이미지 분류 모델을 만들려고 했습니다.
이전 기사는 여기
Microsoft Custom Vision Service를 사용한 고막 이미지 인식
Microsoft Custom Vision Service로 중이염 이미지 인식 LINE Bot 만들기
고막의 이미지를 보내 질문에 대답하면, 자동으로 중이염의 진단이나 치료 방침이 돌려주어지는 LINE Bot를 작성(히어로즈 리그 2019 LINE 테마상)

이번 Google Cloud Platform이 제공하는 기계 학습 서비스의 하나이며, 이미지 분류를 할 수 있는 AutoML Vision을 사용하여 고막 이미지 분류 모델을 작성해 보았습니다.

AutoML Vison

만드는 방법

1. 고막 데이터 수집

사용한 고막 화상은 화상 인식 기술 개발을 위해 사용하는 것에 동의해 주신 것을 익명화해 사용해 주셨습니다. train data로서 급성 중이염 103장, 정상 고막 102장, 삼출성 중이염 101장을 준비했습니다.
(최적 모델을 만들려면 각 라벨에 최소 100개의 이미지를 포함해야 합니다.)

2. 이미지 가져오기

Google Cloud Platform 콘솔 화면 왼쪽 상단의 햄버거 메뉴에서 'Vison'을 선택합니다.

AutoML Vision '사용해보기'를 선택합니다.

「데이터 세트명」을 적당히 붙여, 이번의 경우는 「단일 라벨 분류」를 선택해, 「데이터 세트를 작성」을 선택합니다.

이번에는 컴퓨터에서 이미지를 업로드합니다.
BROWSE를 선택하십시오.

버킷을 만듭니다. 이름을 적당히 붙여, 그 외는 초기 설정 그대로 작성했습니다.

이번에는 급성 중이염·삼출성 중이염·정상 고막의 각 파일이 들어간 zip 파일(train.zip)을 PC에서 선택합니다.


이미지를 가져왔습니다.
파일별로 분류됩니다 (aom: 급성 중이염, normal: 정상 고막, ome: 삼출성 중이염).


3. 훈련

교육 시작을 선택합니다.
이번 트레이닝이 끝나기까지 2시간 정도 걸렸습니다.


고막 이미지 분류 모델을 만들었습니다.
평균 적합률은 98%입니다.


삼출성 중이염(ome)의 판별이 어렵고, 급성 중이염(aom)에 실수하기 쉬운 것 같습니다.

고찰

AutoML Vision을 사용 논코딩으로 간단하게 고정밀 고막 화상 분류 모델을 구축할 수 있었습니다. Microsoft Custom Vision Service에 비해 교육에 걸리는 시간이 상당히 긴 것 같습니다. 이번에는 구축한 모델을 API 경유로 앱이나 웹 서비스에서 이용하고 싶습니다.