진행적 성장 GAN을 사용하여 생성된 합성 흉부 X선 이미지의 임상적 현실성 평가

흉부 X선은 다양한 환자 검사 과정에서 핵심적인 도구로 활용된다. 대부분의 의료 영상 기법과 마찬가지로 흉부 X선은 다중 모달성(Multi-modality)이 뛰어나며, 다양한 병변 조합을 시각화할 수 있다. 새로운 진단 도구 개발을 위해 더 많은 레이블링된 데이터가 지속적으로 요구되지만, 이는 환자의 개인정보 보호 문제와 충돌하게 되며, 허가 요청 및 윤리적 승인 절차를 통해 데이터 접근이 제한된다. 기존 연구들은 이러한 문제를 해결하기 위해 특정 질병 클래스에 특화된 GAN(Generative Adversarial Network)을 생성하여 훈련 데이터 증강을 시도했다. 그러나 이러한 접근 방식은 모델 크기와 클래스 수 사이의 계산적 트레이드오프를 초래하며, 생성 품질에 고정된 한계를 초래함으로써 확장성이 부족하다. 본 연구는 잠재 클래스 최적화(Latent Class Optimization)를 제안함으로써, GAN에서 효율적이고 다중 모달성 있는 샘플링이 가능하게 하고, 레이블링된 생성 이미지의 대규모 아카이브를 생성한다. 또한, 비지도 X선 생성 작업에 PGGAN(Progressive Growing of GANs)을 적용하고, 방사선 전문의들이 생성된 이미지의 임상적 현실성(clinical realism)을 평가하도록 했다. 생성 이미지에서 관찰되는 다양한 병변 특성에 대한 심층적 분석과 모델이 포괄하는 질병 다양성의 범위를 종합적으로 제시한다. Fréchet Inception Distance(FID)를 사용하여 X선 생성 이미지의 품질을 측정하는 방법의 타당성을 검증하였으며, 그 결과 고해상도 이미지 작업에서의 수준과 유사한 품질을 확인하였다. 방사선 전문의들에게 실제 영상과 생성 영상의 구분을 시도하여 X선 생성 이미지의 임상적 현실성을 정량화한 결과, 무작위 추측보다 생성 이미지가 실제 영상으로 오인될 가능성이 높았지만, 여전히 진정한 현실성에 도달하기 위한 개선 여지가 남아 있음을 확인하였다. 이와 같은 결과는 생성된 이미지로 훈련된 분류 모델이 실제 영상에 대해 수행하는 성능을 평가함으로써 추가로 검증되었다. 마지막으로, PGGAN을 통해 생성된 이미지의 한계를 논의하며, 제어 가능하고 현실적인 생성 이미지를 달성하기 위한 방향성을 제시한다.