폐 결절 분류를 위한 깊은 로컬-글로벌 네트워크 사용

목적: 폐 결절은 매우 다양한 모양과 크기를 가지고 있어, 이를 양성/악성으로 분류하는 것이 어려운 문제입니다. 본 논문에서는 결절의 모양과 크기를 전역 특징 추출기(global feature extractor)를 사용하여 분석하고, 결절의 밀도와 구조를 국소 특징 추출기(local feature extractor)를 사용하여 분석할 수 있는 새로운 방법을 제안합니다.방법: 국소 특징 추출을 위해 3x3 커널 크기를 가진 잔차 블록(Residual Blocks)을 사용하고, 전역 특징 추출을 위해 비국소 블록(Non-Local Blocks)을 사용하는 것을 제안합니다. 비국소 블록은 많은 파라미터를 사용하지 않고도 전역 특징을 추출할 수 있는 능력을 가지고 있습니다. 비국소 블록의 핵심 아이디어는 같은 피처 맵(feature maps) 상의 피처들 간에 행렬 곱셈(matrix multiplications)을 적용하는 것입니다.결과: 우리는 LIDC-IDRI 데이터셋에서 제안된 방법을 훈련 및 검증하였습니다. 이 데이터셋은 1,018개의 컴퓨터 단층 촬영(computed tomography, CT) 스캔을 포함하고 있습니다. 실험 설계를 위해 엄격한 절차인 10-폴드 교차 검증(10-fold cross-validation)을 따랐으며, 3명 미만의 방사선과 의사(radiologists)가 주석(annotation)한 결절은 무시하였습니다. 제안된 방법은 AUC=95.62%로 최신 기술(state-of-the-art results) 수준의 성능을 달성하였으며, 다른 기준 방법(baseline methods)보다 크게 우수한 성능을 보였습니다.결론: 우리들이 제안한 딥 로컬-글로벌 네트워크(Deep Local-Global network)는 국소 및 전역 특징을 정확히 추출할 수 있는 능력을 가지고 있습니다. 우리의 새로운 방법은 전이 학습(transfer learning)이 포함된 Densenet 및 Resnet 등의 최신 아키텍처(state-of-the-art architecture)보다 우수한 성능을 보였습니다.