인간의 정확도를 뛰어넘다: 커리큘럼 학습을 이용한 초음파 이미지에서 담낭암 검출

우리는 간담관암(Gallbladder Cancer, GBC)의 초음파(Ultrasound, USG) 영상에서의 검출을 위해 CNN 기반 모델의 잠재력을 탐구합니다. 이는 이전에 알려진 연구가 없는 문제입니다. USG는 비용이 저렴하고 접근성이 뛰어나기 때문에 간담관 질환의 가장 일반적인 진단 방법입니다. 그러나 USG 영상은 센서의 손으로 들고 사용하는 특성으로 인해 이미지 품질이 낮고 노이즈가 많으며, 시점이 다양하여 분석하기 어려운 경우가 많습니다. 최신 이미지 분류 기술(state-of-the-art, SOTA)을 본 문제에 적용한 우리의 철저한 연구 결과, USG 영상 내 그림자로 인해 중요한 간담관 지역을 학습하지 못하는 경우가 많다는 것을 확인했습니다. 또한 SOTA 객체 검출 기술은 노이즈나 인접 장기로 인한 부정확한 질감(spurious textures)으로 인해 정확도가 낮습니다.우리는 이러한 문제를 해결하기 위해 GBCNet을 제안합니다. GBCNet은 먼저 간담관(암이 아닌)을 감지하여 관심 영역(Regions of Interest, ROIs)을 추출하고, 이후 새로운 다중 스케일 및 2차 풀링 구조를 사용하여 GBC를 분류하도록 설계되었습니다. 부정확한 질감을 효과적으로 처리하기 위해 우리는 인간 시각의 명료성을 모티브로 한 커리큘럼을 제안하여 GBCNet에서의 질감 편향(texture biases)을 줄였습니다. 실험 결과는 GBCNet이 최신 CNN 모델뿐만 아니라 전문 방사선과 의사들보다도 크게 우수함을 입증하였습니다. 우리의 기술적 혁신은 다른 USG 영상 분석 작업에도 일반적으로 적용될 수 있으므로, 이를 검증하기 위해 유방암 검출에서도 GBCNet의 효율성을 보여주었습니다.프로젝트 페이지에는 소스 코드, 학습된 모델, 데이터 등이 포함되어 있으며, 해당 페이지는 https://gbc-iitd.github.io/gbcnet 에서 이용 가능합니다.