딥파이

DEEP:PHI 프로젝트는 Image와 Record 두 가지 종류가 존재합니다. 이번 동영상에서는 Image 프로젝트를 생성하는 방법에 대해 설명드리겠습니다. 1 4 Types of Image Project DEEP : PHI에서는 네 가지 종류의 이미지 연구를 진행할 수 있습니다. 첫 번째로, Classification은 주어진 이미지를 보고, 어느 종류의 이미지인지 분류하는 일을 합니다. 그 예로, 안저 영상(Fundoscopy)을 이용해 당뇨망막병증(Diabetic Retinopathy)를 진단하는 모델을 만들 수 있습니다. 두 번째, Segmentation은 주어진 이미지를 각 영역별로 분할하는 일을 합니다. 그 예로, Lung CT 영상에서 각 장기들의 영역을 분할하는 작업을 할 수 있습니다. 세 번째, Detection은 이미지에서 물체의 위치를 검출합니다. 흉부 X-ray 영상을 이용해 골절 등의 근골격계 부상을 찾아내는 일을 할 수 있습니다. 네 번째로, Transformation은 하나의 이미지를 다른 이미지로 변환시키는 일을 합니다. 예를 들면, MR 영상을 CT 영상으로 변환시키는 일을 할 수 있습니다. 2 Project Process DEEP: PHI 프로젝트의 연구 순서는 다음과 같이 진행됩니다. 우선 이미지와 라벨 데이터 쌍을 업로드하고, DEEP :PHI 데이터넷 형태로 변환하는 과정을 거칩니다. 업로드된 데이터셋을 이용해 데이터 전처리와 신경망 모듈로 구성된 연구 파이프라인을 구성하고, 프로젝트를 실행하여 전처리와 신경망의 학습과정을 확인합니다. 마지막으로 학습 완료 후 결과 이미지와 다양한 평가지표를 통해 신경망의 성능을 평가합니다. 데이터를 업로드하면 Dashboard의 Dataset 탭에서 이를 관리할 수 있습니다. 1. Upload Dataset 데이터셋을 클릭하면 Dataset Management 화면으로 진입됩니다. 업로드된 각 파일의 이미지와 속성을 우측의 [View] 탭, [Attribute] 탭에서 확인할 수 있습니다. 파일을 확인하고, [Include In Dataset] 버튼을 통해 각 파일을 데이터셋에 포함할지의 여부를 선택할 수 있습니다. 다양한 기능을 통해 개별 데이터를 관리할 수 있습니다. 각 데이터는 그 용도에 따라 Train/ Validation/ Test로 나뉘는데, [Edit Usage] 버튼을 통해 이를 관리할 수 있습니다. 또한 [Edit Tag] 버튼을 통해 메모를 추가하는 것이 가능합니다. 우측의 [Insight] 버튼을 누르면 전체 데이터셋에 대한 통계를 확인할 수 있습니다. 각 데이터 Usage의 비율, Class의 분포 등을 한눈에 확인할 수 있습니다. 데이터셋에 추가된 파일들의 관리는 [Files Included in Dataset] 탭에서 할 수 있습니다. 데이터셋에 포함된 파일들을 확인할 수 있고, 불필요한 파일들은 데이터셋 목록에서 제외시킬 수 있습니다. 2. Build Pipeline Data Processing Module 인공지능 신경망은 데이터에서 특징(Feature)을 추출해 주어진 문제를 해결하기 때문에, 데이터를 적절하게 가공한다면 신경망의 성능을 크게 높일 수 있습니다. 좌측 메뉴의 전처리 모듈을 이용해 이를 수행할 수 있습니다. 모듈을 선택하면 각 모듈의 기능과 상세 설명, 활용 예시를 우측 [Information] 탭에서 확인할 수 있습니다. 이를 확인하고 상황에 맞는 모듈을 사용하면 됩니다. Image 프로젝트에서 가장 많이 사용되는 세 가지 전처리 모듈을 이용해 보겠습니다. 첫 번째로, 모든 데이터의 크기가 같지 않으면 신경망 학습이 불가능합니다. 이 경우 [Resize] 모듈을 이용하면 모든 데이터의 크기를 통일할 수 있습니다. Parsmeter 탭에서 데이터의 크기를 설정할 수 있습니다. [Histogram Equalization] 모듈은 이미지의 히스토그램을 균일하게 조정합니다. 이를 통해 이미지의 대비를 효과적으로 향상시킬 수 있습니다. [Min-Max Normalization] 모듈을 사용하면 모든 데이터의 픽셀 값의 범위를 통일시킬 수 있습니다. 이는 신경망이 불필요한 특징을 학습하지 않게 도와주고, 연산의 효율을 높일 수 있습니다. 전처리를 실행하고 결과를 확인해 보겠습니다. 우측의 [View] 탭과 아래의 [Files] 탭 등에서 전처리 결과를 확인할 수 있습니다. [Resize] 모듈의 실행 후 모든 데이터의 크기가 통일되었으며, [Histogram Equalization] 모듈의 실행 후 이미지의 대비가 개선되었음을 확인할 수 있습니다. [Min-Max Normalization] 모듈의 실행 후에는 이미지 상으로는 차이가 없지만, 우측의 [Attribute] 탭에서 픽셀 값의 범위가 [0, 1]로 통일되었음을 확인할 수 있습니다. AI Algorithm Module 전처리를 마쳤다면, 신경망 모듈을 추가할 차례입니다. [AI] 탭에서 다양한 신경망 모듈을 확인할 수 있습니다. 모듈을 클릭하고 [Later] 버튼을 누르면 신경망 모듈의 내부 구조를 확인할 수 있습니다. 지금 보이는 화면은 Segmentation 신경망 중 하나인 U-net의 내부 구조입니다. DEEP:PHI의 신경망은 레이어 블록 단위로 구성되어 있어, 복잡한 코드를 몰라도 논문의 신경망을 그대로 구현할 수 있습니다. 3. Run &n Train 프로젝트 파이프라인을 모두 구성했다면, [RUN] 버튼을 눌러 실행할 수 있습니다. 신경망 모듈이 실행되는 중에는, 하단 [Output] 탭에서 학습과정을 확인할 수 있습니다. 학습이 진행됨에 따라 손실함수의 값과 다양한 평가지표들이 실시간으로 업데이트되어, 학습이 잘 진행되고 있는지 확인할 수 있습니다. 4. Evaluation 학습이 완료되었다면, 결과 이미지와 다양한 평가지표들을 확인해 신경망의 성능을 확인합니다. [Output] 탭에서는 표와 그래프를 통해 정량적인 수치들을 한눈에 확인할 수 있습니다. 상단의 [Explire] 탭에서는 모든 데이터의 결과를 이미지로 확인할 수 있습니다. 각 조건에 맞는 데이터들을 모아서 한눈에 확인하는 것도 가능합니다. 3 Example Image Projects DEEP:PHI로 가능한 Image 연구는 무궁무진합니다. CT 영상을 이용해 뇌출혈 여부를 자동으로 판단할 수 있고, 태아의 초음파 영상을 이용해 태아의 머리둘레를 측정하는 것이 가능합니다. 뇌 영상에서 해마(Hippocampus)의 위치를 찾을 수 있으며, T1 강조 MR 영상을 T2 강조 MR 영상으로 변환하는 연구 역시 가능합니다. 이 외에도 인공지능을 이용한 대부분의 연구가 가능하며, 현재에도 많은 연구들이 DEEP: PHI 를 이용해 진행되고 있습니다. 4 Special Features of DEEP:PHI 마지막으로, DEEP:PHI에서만 제공하는 특별한 기능들에 대해 설명드리겠습니다. 우선, DEEP:PHI 에서는 효과적인 인공지능 연구를 위한 다양한 모듈을 제공합니다. 현재 약 80여개의 Image Processing 모듈과 50여개의 Neural Network 모듈을 제공하고 있으며, 최신 모듈이 지속적으로 업데이트 되고 있어 코딩을 전혀 몰라도 다양한 작업이 가능합니다. 둘째로, 모듈 수정 기능을 통해 무한한 확장성을 보장합니다. 코드 편집창을 통해 각 모듈의 코드를 자유롭게 수정할 수 있어, 개인 특화된 모듈을 생성할 수 있습니다. 셋째로, 멤버 기능을 통해 편리한 협업이 가능합니다. TODO 기능을 이용하면 손쉽게 스케쥴 관리를 할 수 있습니다. 네 번째로, 학습 성능을 향상시킬 수 있는 다양한 기능들이 준비되어 있습니다. 적은 양의 데이터를 증강시키는 Augmentation, 학숩 종료 시점을 자동으로 설정해주는 Early Stopping, 이전 시점에서 이어서 학습을 진행시킬 수 있는 Continue Running 등의 다양한 기능을 제공합니다. 다섯 번쨰, Multi GPU 사용을 지원합니다. 이를 통해 학습 속도를 높이거나, 한 번에 많은 양의 데이터를 학습시킬 수 있습니다. 마지막으로, AutoTuning을 통해 최적화된 파라미터를 찾을 수 있습니다. 신경망의 파라미터는 학습에 큰 영향을 미치나, 최적의 값을 찾는 것은 어려운 문제입니다. DEEP:PHI에서는 유전 알고리즘을 기반으로 한 AutoTuning 기능을 제공하여, 모델 성능을 높일 수 있는 가장 최적의 파라미터를 찾아 줍니다.