초록
폐암 분류는 이 질병의 조기 발견을 위한 가장 중요한 작업 중 하나입니다. 폐 결절을 정확히 악성/암으로 분류할 수 있다면 많은 생명을 구할 수 있습니다. 따라서 최근에는 폐 결절을 악성 또는 양성으로 분류하기 위한 여러 딥러닝 기반 모델이 제안되었습니다. 그러나 결절의 크기와 다양성, 그리고 비균일한 외관 때문에 이 작업은 매우 어려운 문제입니다. 우리는 이러한 도전에 대응하기 위해 새로운 점진적 성장 채널 주의력 비국소(Progressive Growing Channel Attentive Non-Local, ProCAN) 네트워크를 제안합니다. 제안된 방법은 세 가지 다른 측면에서 이 도전을 해결합니다. 첫째, 채널별 주의력 기능을 추가하여 비국소 네트워크를 향상시킵니다. 둘째, 교과 과정 학습(Curriculum Learning) 원칙을 적용하여 먼저 쉽고 나중에 어려운 예제로 모델을 훈련시킵니다. 셋째, 교과 과정 학습 중 분류 작업이 더 어려워짐에 따라 모델은 점진적으로 성장하여 작업 처리 능력을 강화합니다. 우리는 두 개의 다른 공개 데이터셋에서 제안된 방법을 검증하고 문헌에 소개된 최신 방법들과 성능을 비교했습니다. 결과는 ProCAN 모델이 최신 방법들을 능가하며 LIDC-IDRI 데이터셋에서 AUC 98.05%와 정확도 95.28%를 달성함을 보여줍니다. 또한, 제안된 방법의 각 새 구성 요소의 기여도와 영향력을 분석하기 위해 광범위한 아블레이션 연구를 수행했습니다.