학사 ★2023-2학기 AI캡스톤디자인 수강 학부생 모집★
페이지 정보

본문
2023학년도 2학기 AI캡스톤디자인 수업에 참여하실 학부생을 모집합니다.
학부생은 대학원생이 팀장을 맡은 팀에 소속되어 프로젝트 주제를 연구하며 논문/특허를 준비할 수 있는 수업입니다. 중간 및 기말고사는 발표로 이루어집니다.
AI시스템공학과(前 수퍼인텔리전스학과) 소속 대학원생으로 구성된 팀은 학기 최대200만원까지 연구비가 지원될 예정입니다.
아래와 같이 대학원생의 제안 주제를 소개드리오니 관심있는 학부생께서는 팀장의 이메일연락처로 연락하신 후, 함께 수강신청 바랍니다.
1. EyeVisor: Enhancing Multi-label Fundus Image Analysis
팀장: Bui Phuoc Nguyen 석박통합과정 (AI시스템공학과)
E-mail: phuocnguyen@skku.edu
지도교수: 추현승 교수
◆ 필요성
- More and more people are suffering from retinal diseases, which may cause blindness if not treated promptly. However, it is not easy to diagnose these diseases for the barely visible clinical symptoms.
- Even though some deep learning-based approaches have been developed to help ophthalmologists make an accurate diagnosis, there still exist some challenges to be solved. For example, one patient may suffer from more than one retinal diseases and these diseases often exhibit a long-tailed distribution, making it difficult to be correctly classified.
◆ (연구) 프로젝트 내용 및 방법
- Data Collection: Curating a large dataset of fundus images with annotated labels for multiple diseases and abnormalities.
- Pre-processing: Applying image enhancement techniques and data augmentation to improve data quality and quantity for model training.
Multi-label Classification: Developing a state-of-the-art deep learning-based multi-label classification model capable of identifying and classifying multiple eye conditions in a single fundus image.
◆ (연구) 성과 활용 및 기대효과
Improved Diagnostic Accuracy and Early Detection & Intervention: The proposed model will enhance the accuracy and reliability of eye disease diagnosis by considering multiple co-existing conditions in a single image.
Research Advancement: The research conducted in this project can contribute to the advancement of multi-label classification techniques in medical imaging and fundus image analysis, benefiting future research in the field.
2. Sa-ConvLSTM Encoder-Decoder 구조를 이용한 Next-frame video prediction
팀장: 김정대 석사과정 (AI시스템공학과)
E-mail: 59360@naver.com
지도교수: 정종필 교수
◆필요성
• Requirement for more accurate future frames prediction
◆(연구) 프로젝트 내용 및 방법
• Using Moving MNIST dataset or other dataset, predicting future frames given past video frames.
• The input video is segmented into frames, fed to the SaConvLSTM model to extract the features and forecast a future frame which can be beneficial in a variety of applications.
• MSE, MAE, SSIM evaluation metrics and perceptual similarity which help in understanding the difference between the actual frame and the predicted frame.
◆(연구) 성과 활용 및 기대효과
• more accurate future frames prediction & Intelligent decision-making.
3. Disease detection on medical images using deep learning
팀장: Nguyen Duc Toan 박사과정 (AI시스템공학과)
E-mail: austin47@g.skku.edu
지도교수: 추현승 교수
◆필요성
•Chest X-rays are one of the most commonly used diagnostic tools in the medical field, with an estimated 2 billion chest X-rays performed globally each year (Radiological Society of North America, 2018). Despite their widespread use, the interpretation of chest X-rays can be challenging, even for experienced radiologists
•Studies have shown that the sensitivity and specificity of chest X-ray interpretation can vary widely, depending on the experience of the reader and the complexity of the case. Additionally, there is a shortage of trained radiologists in some parts of the world, which can lead to delayed diagnosis and treatment of lung diseases.
◆(연구) 프로젝트 내용 및 방법
•The aim of this project is to develop a deep learning model for the automatic detection of lung diseases from chest X-rays. The model will be trained on a large dataset of chest X-ray images and will be capable of detecting various lung diseases, such as pneumonia, tuberculosis, and lung cancer.
•The model will be developed using state-of-the-art deep learning techniques, such as supervised/se-mi superised, self-supervised learning using CNNs
◆(연구) 성과 활용 및 기대효과
•By doing so, we could provide a tool that can aid radiologists in the interpretation of chest X-rays, particularly in areas where there is a shortage of trained radiologists
•By improving the accuracy and speed of diagnosis, this tool can help reduce the burden of lung diseases and improve patient outcomes.
4. [딥러닝 기반 Lung sound 이상호흡음 및 질병 예측 모델 설계]
팀장: 변규린 박사과정 (AI시스템공학과)
Mobile: 010-5307-4292
E-mail: byungyurin21@g.skku.edu
지도교수: 추현승 교수
1) 필요성
- 최근 코로나(Covid-19)의 영향으로 스마트 헬스케어 관련 산업과 비대면 방식의 원격 진단을 통한 질환 분류 예측 연구의 필요성이 증가하고 있음.
- 일반적으로 호흡기 질환의 진단은 숙련된 의료 전문가를 필요로 하며 현실적으로 조기 진단 및 모니터링에 한계가 있음.
- 청진기로부터 수집된 Lung sound를 딥러닝 기반 모델을 활용하여 높은 정확도로 분류하고 조기 진단 하고자 함.
2) 연구 목표
- ICBHI 및 HF_LUNG 공공 데이터를 사용하여 이상호흡음 및 질병 분류 모델 설계 및 구현.
- Lung sound의 특징적인 정보를 추출하기 위한 다양한 데이터 전처리 기법 적용 (대역통과필터(BPF), 멜 스펙트로그램(Mel Spectrogram), Mel Frequency Cepstral Coefficient(MFCC) 등)
- 추출된 Lung sound의 특징을 효과적으로 분류할 수 있도록 딥러닝기법 적용.
5. [딥러닝 기반 멀티모달 의료데이터 간 도메인 변환 AI 모델 서비스]
팀장: 김주찬 박사과정 (AI시스템공학과)
Mobile: 010–2489-1405
E-mail: wncks0928@g.skku.edu
지도교수: 추현승 교수
1) 필요성
- 최근 장년층뿐만 아니라 청년층 안질환 환자가 많아짐에따라 의료 AI 관련 영상판독 및 진단 보조 등의 기술 수요가 증가하며, 필요성이 강조되고 있음
- 멀티모달 의료데이터(음성, 이미지 등) 간 도메인 변환은 진료기록추출, 의료영상 변환 등의 다양한 수요가 존재함
- 멀티모달 데이터 간 도메인 변환은 해결하기 어려운 고난이도 도전과제에 속하며, 데이터 수집부터 분석, AI 모델링 등 다양한 도메인 지식과 기술을 요구함
2) 연구 목표
- 공공의료데이터 기반의 멀티모달 데이터 변환 방식 설계
- Image-to-image, Text-to-image 등 주제에 대한 다양한 전처리 방식, AI 모델 탐색 및 적용
- 적용 가능한 AI 모델을 웹앱어플리케이션 형태로 시제품화
6. [신경망 모델을 활용한 녹내장 감지 및 분류 모델 설계]
팀장: 강홍구 석사과정 (AI시스템공학과)
Mobile: 010–4418-3390
E-mail: honggu6851@g.skku.edu
지도교수: 추현승 교수
1) 필요성
- 녹내장은 세계 실명 원인 2위인 질병으로 초기 증상이 미미하고 명확한 발병 원인이 없어 예방법이 존재하지 않지만, 치료법은 다양하게 있으므로 조기 진단 및 치료가 중요한 시신경 병증임.
- 일반적으로 Fundus photo를 통해 환자의 Optic Nerve Head (시신경 유두부)와 주변 망막을 전문의가 검사하여 녹내장의 유무와 진행 상황을 진단함.
- 의사의 진단 및 치료를 보조하기 위하여 신경망 모델을 활용한 신속하고 정확한 녹내장 감지 및 분류 모델을 개발하고자 함.
2) 연구 목표
- Glaucoma detection에 관한 공공 의료데이터 선정 및 데이터 전처리 진행
- 다양한 신경망 모델을 활용하여 안저 이미지 내 녹내장 감지 진행 및 성능 확인
- 녹내장의 진행도를 구분하는 기준을 선정하여 감지를 마친 데이터에 대한 단계별 분류 진행