초록
다양한 유형의 합성곱 신경망(CNNs)이 컴퓨터 단층 촬영(CT) 스캔에서 암성 폐 결절을 감지하는 데 적용되었습니다. 그러나 결절의 크기는 매우 다양하며 3mm에서 30mm 사이의 범위를 가질 수 있습니다. 결절 크기의 큰 변동성은 이들을 분류하는 작업을 어렵고 도전적으로 만듭니다. 본 연구에서는 악성 또는 양성을 판별하기 위한 새로운 CNN 구조인 게이트-디レーション(GD) 네트워크를 제안합니다. 기존 연구와 달리 GD 네트워크는 최대 풀링(max-poolings) 대신 여러 디レーション 컨볼루션(dilated convolutions)을 사용하여 크기 변동성을 포착합니다. 또한, GD 네트워크는 입력 특성을 분석하고 적합한 디レーション 컨볼루션으로 특성을 안내하는 컨텍스트 인식(Context-Aware) 서브네트워크를 가지고 있습니다. 우리는 LIDC-IDRI 데이터셋에서 1,000여 개의 CT 스캔에 대해 제안된 네트워크를 평가했습니다. 우리의 제안된 네트워크는 멀티-크롭(Multi-Crop), ResNet, DenseNet 등 최신 기준 모델들보다 우수한 성능을 보였으며, AUC가 0.95 이상입니다. 기준 모델들과 비교할 때, GD 네트워크는 중간 크기의 결절 분류 정확도를 향상시킵니다. 또한, 우리는 컨텍스트 인식 서브네트워크가 생성하는 주의 신호(attention signal)와 결절 크기 간의 관계를 관찰하였으며, 이는 우리의 새로운 네트워크 구조를 검증합니다.