초록
의료 영상 데이터셋은 데이터 확보 비용이 높고 주석 작업이 시간이 오래 걸리기 때문에 일반적으로 불균형한 편이다. 이러한 데이터셋을 기반으로 딥 신경망 모델을 훈련하여 의료 상태를 정확하게 분류하려는 시도는 원하는 결과를 얻기 어렵고, 대부분의 경우 주요 클래스 샘플에 대해 과적합(over-fitting)이 발생한다. 이 문제를 해결하기 위해, 데이터 증강 기법을 활용하여 훈련 데이터의 다양성을 높이는 것이 일반적이다. 대표적인 기법으로는 스케일링, 크롭, 플립, 패딩, 회전, 이동, 애핀 변환 등의 위치 증강 기법과 밝기, 대비, 채도, 색조 등의 색상 증강 기법이 있다. 그러나 이러한 증강 기법은 데이터가 제한적인 분야, 특히 의료 영상 데이터에서는 반드시 유리한 결과를 보장하지 못하며, 오히려 과적합을 악화시킬 수 있다. 본 연구에서는 흉부 X선 영상 데이터셋에 대해 생성 모델(심층 합성 대립 신경망, Deep Convolutional Generative Adversarial Network)을 활용한 데이터 증강을 수행하였으며, 이는 원본 데이터와 유사한 특성을 유지하는 인공적인 샘플을 생성한다. 모델 평가 결과, Inception 모델 기반의 프레셰 거리(Fréchet Distance of Inception, FID) 점수는 1.289로 측정되었다.