Fine-tuning을 넘어서: 고해상도 유방 X선 사진의 분류를 위한 기능 보존 변환

유방 X선 사진(mammograms)을 분류하는 작업은 병변(lesion)이 고해상도 이미지에서 일반적으로 작기 때문에 매우 어려운 과제입니다. 현재 의료 이미지 분류의 최신 접근 방식은 주로 컨벌루션 신경망(ConvNets)에 대한 사실상의 방법인 미세 조정(fine-tuning)을 사용하고 있습니다. 그러나 자연 이미지와 의료 이미지 사이에는 근본적인 차이가 있으며, 문헌에서 제시된 기존 증거에 따르면, 알고리즘적 접근 방식으로 설계할 때 전체 성능 향상에 한계가 있습니다.본 논문에서는 미세 조정을 넘어 새로운 프레임워크인 MorphHR를 도입하여 새로운 전이 학습(transfer learning) 방식을 강조합니다. 제안된 프레임워크의 기본 아이디어는 연속적인 비선형 활성화 뉴런(any continuous non-linear activation neurons)에 대해 기능 보존 변환(function-preserving transformations)을 통합하여 네트워크를 내부적으로 규제하여 유방 X선 사진 분류를 개선하는 것입니다. 제안된 솔루션은 기존 기술보다 두 가지 주요 장점을 제공합니다.첫째, 제안된 접근 방식은 깊은 컨벌루션 신경망의 마지막 몇 개 층뿐만 아니라 여러 첫 번째 층에서도 수정할 수 있다는 점에서 미세 조정과 달라집니다. 이를 통해 도메인 특화 특징(domain specific features)을 학습하기에 적합한 네트워크 앞 부분을 설계할 수 있습니다. 둘째, 제안된 방식은 하드웨어 확장성이 우수하므로 표준 GPU 메모리에서 고해상도 이미지를 처리할 수 있습니다. 우리는 고해상도 이미지를 사용함으로써 관련 정보를 잃지 않을 수 있음을 보여주었습니다.수치적 및 시각적 실험을 통해 제안된 접근 방식이 최신 기술보다 유방 X선 사진 분류 성능에서 크게 향상되었으며, 실제로 영상의학 전문가(radiology experts)와 맞먹는 성능을 발휘함을 입증하였습니다. 또한 일반화 목적을 위해 ChestX-ray14라는 다른 대규모 데이터셋에서 제안된 학습 방식의 효과성을 보여주었으며, 이는 현재 최신 기술들을 능가하였습니다.