AI 영상 데이터 전처리

https://youtu.be/wado2Zz2kjY?si=FvgAlIsQC4ScV3Wb

위 영상을 요약한 내용입니다. (위 영상 시청하시는걸 추천드립니다)

영상 데이터 전처리란 무엇인가?

지난 시간에는 영상 데이터가 무엇인지, 그리고 정답지가 얼마나 중요한지에 대해 알아보았습니다. 이제 본격적으로 영상 데이터 전처리에 대해 배워볼까요?

영상 처리(Image Processing)란?

영상 처리란, 인공지능이 등장하기 이전부터 사용되던 개념으로, 영상에서 노이즈(잡음)를 제거하고, 분석에 적합한 형태로 데이터를 변환하는 과정을 의미합니다. 예를 들면, 잘못 촬영된 영상의 색감을 조정하거나, 특정 영역을 강조하는 등의 작업이 포함됩니다.

우리가 일상적으로 사용하는 "방수 처리", "코팅 처리"와 같은 표현처럼, 영상도 분석이 용이하도록 "처리"하는 과정이 필요합니다. 이러한 영상 처리 기법들은 인공지능 학습 전에도 사용되었으며, 여전히 중요한 역할을 하고 있습니다.

인공지능과 영상 전처리(Preprocessing)

딥러닝의 주요 목적은 사람이 직접 개입하지 않고, 대량의 데이터를 활용해 패턴을 학습하는 것입니다. 하지만, 데이터셋이 부족하거나, 보다 효율적으로 학습을 진행하려면 사전 가공 과정이 필요합니다. 이를 "전처리(Preprocessing)"라고 하며, 학습 데이터를 보다 적절한 형태로 변환하여 인공지능 모델의 성능을 향상시키는 역할을 합니다.

영상 데이터 전처리의 주요 기법

영상 데이터 전처리는 여러 가지 방식으로 이루어지며, 대표적인 방법은 다음과 같습니다.

1. 데이터 형태 변환

• 컬러(RGB) → 흑백(Grayscale) 변환
  • RGB 이미지는 3개의 채널(빨강, 초록, 파랑)로 이루어져 있으며, 각각의 픽셀마다 3개의 값이 존재합니다.
  • 흑백 이미지로 변환하면 1개의 채널만 남게 되어 데이터 크기가 3배 감소합니다.
  • 메모리 절약 및 연산 속도 향상에 유리합니다.
• 3D 이미지 → 2D 변환 (2.5D 기법 적용)
  • CT, MRI 등의 의료 영상은 수백 장의 단층 이미지로 구성되어 있어 데이터 크기가 큽니다.
  • 특정 단층 이미지만 선택하여 2D 이미지로 변환하면 학습 속도를 높이고, 적은 메모리로도 효율적인 학습이 가능합니다.
  • 대표적인 예로, 3D 데이터를 일부 단층만 추출하여 RGB 채널에 매핑하는 방식이 있습니다.

2. 크기 변환 (Resizing)

• 모델의 입력 크기에 맞게 이미지 크기를 조정하는 과정입니다.
• 너무 큰 이미지는 메모리를 과도하게 사용하며, 너무 작은 이미지는 정보 손실이 발생할 수 있습니다.
• 일반적으로 네트워크 구조에 맞춰 적절한 크기로 조정합니다.

3. 픽셀 값 변환

• 정규화(Normalization)
  • 픽셀 값을 일정한 범위(예: 01 또는 -11)로 변환하여 학습을 안정화하는 기법입니다.
  • 값의 분포를 조정하여 학습 속도를 향상시킵니다.
• 대비 조정(Contrast Adjustment)
  • 명암 대비를 조절하여 특정 객체나 패턴을 더욱 명확하게 보이도록 합니다.
  • 의료 영상 분석 등에서 중요한 전처리 과정입니다.

전처리의 필요성

전처리를 적절히 수행하면 다음과 같은 장점이 있습니다.

1. 연산량 감소: 불필요한 데이터 제거로 모델 학습 속도 향상
2. 메모리 효율성 증가: GPU, RAM 사용량 절감
3. 모델 성능 개선: 더 명확한 특징을 제공하여 학습 정확도 향상

실습 예고

이론을 배운 후, 실습에서는 영상 데이터를 전처리하여 특정 영역을 분할(Segmentation)하는 작업을 진행할 예정입니다. 특히, 딥러닝 이전의 전통적인 영상 처리 기법을 활용하여 병변을 추출하는 방법을 실습할 것입니다.