Anatomy-XNet:흉부 질환 분류를 위한 해부학적 인식 컨볼루션 신경망

최근 10년 동안 흉부 질환을 심장 방사선 사진에서 심층 학습 방법을 사용하여 감지하는 것이 활발한 연구 분야였습니다. 대부분의 이전 방법은 모델의 예측에 중요한 기여를 하는 공간 영역을 식별함으로써 이미지 내 병변 장기를 집중하려고 시도했습니다. 반면, 전문 방사선과 의사들은 먼저 눈에 띄는 해부학적 구조물을 위치 결정한 후 해당 영역이 비정상인지 판단합니다. 따라서, 해부학적 지식을 심층 학습 모델 내에 통합하면 자동 질환 분류에서 상당한 개선이 이루어질 수 있습니다. 이러한 동기로, 우리는 해부학적 주의를 기반으로 한 흉부 질환 분류 네트워크인 Anatomy-XNet을 제안합니다. 이 네트워크는 사전 식별된 해부학적 영역에 의해 안내되는 공간 특성을 우선적으로 처리합니다. 우리는 유용한 소규모 장기 수준 주석을 활용하여 대규모 데이터셋에서 장기 수준 주석이 부족한 경우 해부학적 영역을 위치 결정하기 위해 준지도 학습 방법을 채택했습니다.제안된 Anatomy-XNet은 사전 학습된 DenseNet-121을 기본 네트워크로 사용하며, 해부학적 주의 학습을 위한 두 개의 대응 구조 모듈인 해부학적 주의 (Anatomy Aware Attention, A$^3$)와 확률 가중 평균 풀링 (Probabilistic Weighted Average Pooling, PWAP)을 일관된 프레임워크 내에 통합합니다. 실험 결과, 제안된 방법이 NIH, 스탠퍼드 CheXpert, MIMIC-CXR 등 세 가지 공개 대규모 CXR 데이터셋에서 각각 85.78%, 92.07%, 84.04%의 AUC 점수를 달성하여 새로운 최신 벤치마크를 설정함을 보였습니다. 이는 해부학적 분할 지식을 활용하여 흉부 질환 분류를 개선하는 효과뿐만 아니라 제안된 프레임워크의 일반화 능력을 입증합니다.