※온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.1 2023-12-01 데이터 최종 개방 1.0 2023-07-26 데이터 개방(Beta Version) 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2023-12-22 산출물 전체 공개 소개
귀질환 조기 진단을 위한 인공지능 학습용 데이터셋 구축을 위한 정상 및 6개 귀질환(만성중이염, 유착성중이염, 삼출성중이염, 진주종성중이염, 선천성진주종, 외이도염 및 고막염) 고막내시경 검사 이미지 데이터
구축목적
귀질환 진단의 정확성과 효율성을 향상시킬 수 있는 인공지능 기반 스마트 귀질환 진단시스템 개발을 위한 고품질의 고막 내시경 검사 이미지 학습데이터셋 구축
-
메타데이터 구조표 데이터 영역 헬스케어 데이터 유형 텍스트 , 이미지 데이터 형식 PNG, JSON 데이터 출처 자체 수집 라벨링 유형 분류태그(이미지), 세그멘테이션(이미지) 라벨링 형식 JSON 데이터 활용 서비스 스마트 난청진단 서비스, 난청 질환 관련분야 연구지원 데이터 구축년도/
데이터 구축량2022년/ -
데이터 통계
원천데이터 62.147건 / 라벨링데이터 62,147건데이터 통계 구분 구축량 (건) 원천데이터 (PNG) 라벨링데이터 (JSON) 1.질환데이터 정상 14,991 14,991 만성중이염 9,846 9,846 유착성중이염 5,666 5,666 삼출성중이염 6,496 6,496 진주종성중이염 5,853 5,853 선천성진주종 5,965 5,965 외이도염 및 고막염 6,232 6,232 합 계 55,049 55,049 2.병변데이터 천공 3,659 3,659 진주종 1,506 1,506 선천성진주종 1,933 1,933 합 계 7,098 7,098 총 합 62,147 62,147 데이터 통계 구분 비율(%) 수량(건) 9세 이하 18.1 11,248 10대 8.29 5,150 20대 6.14 3,818 30대 5.85 3,634 40대 9.88 6,142 50대 16.88 10,493 60대 19.68 12,233 70대 11.52 7,160 80대 3.3 2,053 90세 이상 0.35 216 합계 100 62,147 데이터 통계 구분 비율(%) 수량(건) 정상 24.12 14,991 만성중이염 21.37 13,279 유착성중이염 9.13 5,676 삼출성중이염 10.45 6,496 진주종성중이염 11.95 7,426 선천성진주종 12.71 7,898 외이도염 및 고막염 10.27 6,381 합계 100 62,147 데이터 통계 구분 비율(%) 수량(건) 남성 50.79 31,564 여성 49.21 30,583 합계 100 62,147 -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드활용 모델
Ⅰ. 귀질환 분류 모델
귀질환 분류 모델 학습을 위해 검증용 데이터와 시험용 데이터를 각각 전체 데이터의 10%로 제시한다.귀질환 분류 모델 학습(Training) 검증(Validation) 시험(Test) 비율 80% 10% 10% ● 학습 알고리즘 : EfficientNet-B4
- Image Classification Task에 대하여 기존보다 훨씬 적은 수의 파라미터로 더욱 좋은 성능을 내서 State-Of-The-Art(SOTA)를 달성한 모델.
- Depth/width/resolution의 scale-up에 대한 최적의 조합을 AutoML을 통해 찾은 모델로써, 3가지 방법을 효율적으로 조절할 수 있는 compound scaling 방법을 제안한다. 제한된 resource 범위에서 최적의 조합을 고려한다. 이를 통해 기존보다 훨씬 적은 수의 파라미터로 더욱 좋은 성능을 내어 State-Of-The-Art(SOTA)를 달성할 수 있다.
출처: MingxingTan, Quoc V. Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv:1905.11946, 2020
Ⅱ. 병변 탐지 모델
병변 탐지 모델 학습을 위해 검증용 데이터와 시험용 데이터를 각각 전체 데이터의 20%와 10%로 제시한다.병변 탐지 모델 학습(Training) 검증(Validation) 시험(Test) 비율 70% 20% 10% ● 학습 알고리즘 : Modified U-Net with WGAN
- U-Net is a convolutional neural network that was developed for biomedical image segmentation. The U-Net architecture consist of encoder and decoder section. The modified U-net used in the project has been modified from the vanilla U-net by adding attention and using resnet-18 layers as backbone
서비스 활용 시나리오
○ 귀 질환 AI 자동 판별 제품 개발에 활용
- 개발된 학습데이터셋을 기반으로 인공지능 판별 알고리즘을 생성하고 이를 적용한 제품 개발을 진행하여 검사 능력이 상대적으로 부족한 국가에 서비스○ 귀 질환 원격진료를 위한 진단보조 서비스 개발에 활용
- 개발된 학습데이터셋을 기반으로 인공지능 판별 알고리즘을 생성하고 이를 적용한 원격 진단보조장치 개발 및 이를 활용한 서비스 개발
-
데이터 성능 점수
측정값 (%)기준값 (%)데이터 성능 지표
데이터 성능 지표 번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수 1 고막 사진을 이용한 병변 탐지 성능 Object Detection Modified Unet with WGAN mAP 80 % 85.36 % 2 고막 사진을 이용한 귀질환 분류 성능 Image Classification EfficientNet-B1 Sensitivity 80 % 80 %
※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.
※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드데이터 포맷
Ⅰ. 질환데이터
고막 내시경 검사 이미지에서 귀질환 7종에 대하여 질환 분류 태그로 작성된 라벨링데이터(json)로 구성
1. 원천데이터 – png 포맷
정상 만성중이염 유착성중이염
삼출성중이염 진주종성중이염 선천성진주종
외이도염 및 고막염2. 라벨링데이터 – json 포맷
Ⅱ. 병변데이터
고막 내시경 검사 이미지에서 병변 3종에 대해 폴리곤 세그멘테이션한 라벨링데이터(json)로 구성
1. 원천데이터 – png 포맷
천공 진주종 선천성진주종2. 라벨링데이터 – json 포맷
데이터 구성
데이터 구성 Key Description Type Child Type images 고막 이미지정보 JsonObject id 이미지식별자 String width 이미지너비(pixel) Number height 이미지높이(pixel) Number filename 이미지파일명 String metas 메타정보 JsonObject id 연관메타데이터식별자 String gender 성별 String age 나이 Number position 위치 String disease_id 질환정보 Number disease_name 질환명 String hearingloss 난청여부 String hlstage 난청정도 String pathology 병리정보 String confirm 검수여부 Number annotations 라벨링정보 JsonObject [ JsonObject { JsonAray JsonObject id 라벨링식별자 String image_id 연관이미지식별자 String category_id 병변정보 String category_name 병변명 String types 라벨링방법 String color 라벨링색상값 String points 라벨링폴리곤 List [ 좌표 JsonAray JsonObject [ ] ] } ] 어노테이션 포맷
어노테이션 포맷 구분 항목명 필수 여부 타입 비고 한글명 영문명 1 고막 이미지 정보 images Object 1-1 이미지식별자 images[].id Y String 1-2 이미지너비 images[].width Y Number 1-3 이미지높이 images[].height Y Number 1-4 이미지파일명 images[].filename Y String 2 메타정보 metas Object 2-1 연관메타데이터식별자 metas[].id String 2-2 성별 metas[].gender Y String 2-3 나이 metas[].age Y Number 2-4 위치 metas[],position Y String 2-5 질환정보 metas[].disease_id Y Number 2-6 질환명 metas[].disease_name Y String 2-7 난청여부 metas[].hearingloss String 2-8 난청정도 metas[].hlstage String 2-9 병리정보 metas[].pathology String 2-10 검수여부 metas[].confirm Number 검수 확인 등에 활용 3 라벨링정보 annotations Object 3-1 라벨링식별자 annotations[].id Y/N String 3-2 연관이미지식별자 annotations[].image_id Y/N String 3-3 병변정보 annotations[].category_id Y/N Number 3-4 병변명 annotations[].category_name Y/N String 3-5 라벨링방법 annotations[].type Y/N String poly (polygon) 3-6 라벨링색상값 annotations[].color Y/N String 3-7 라벨링좌표 annotations[].points Y/N String 실제 예시
-
데이터셋 구축 담당자
수행기관(주관) : 나무기술
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 김경우 02-3288-7900 [email protected] 사업 총괄 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜엠티이지 이상호 가톨릭서울성모병원 수집, 검수 강남세브란스병원 수집, 검수 고려대학교구로병원 수집, 검수 부산대학교병원 수집, 검수 분당서울대학교병원 수집, 검수 서울대학교병원 수집, 검수 전남대학교병원 수집, 검수 전북대학교병원 수집, 검수 충남대학교병원 수집, 검수 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 김경우 02-3288-7900 [email protected]
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 [email protected] 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.