자궁경부암 진단을 위한 퍼지 거리 기반의 딥 모델 앙상블

배경 및 목적자궁경부암은 여성의 사망 원인 중 하나로, 다른 질병과 마찬가지로 조기 발견과 최적의 의료 지침에 기반한 치료가 이 질환에 감염된 후 발생할 수 있는 합병증을 최소화하기 위해 가장 중요한 단계이다. 파프 흡인 검사 이미지(PaP smear images)는 자궁경부암의 존재 여부를 탐지하는 가장 효과적인 방법 중 하나이다. 본 논문에서는 딥러닝 모델을 기반으로 한 퍼지 거리 기반 앙상블 방법을 제안하며, 파프 흡인 검사 이미지를 활용한 자궁경부암 탐지에 적용한다.방법이 작업을 위해 전이 학습(transfer learning) 모델 세 가지인 Inception V3, MobileNet V2, Inception ResNet V2를 사용하고, 데이터 특화 특징을 학습하기 위해 추가적인 레이어를 적용하였다. 이러한 모델들의 예측 결과를 통합하기 위해, 관측값과 정답값 사이의 오차 값을 최소화하는 원리에 기반한 새로운 앙상블 기법을 제안한다. 다수의 예측이 존재하는 샘플에 대해 각 클래스별로 최적의 해에 대한 세 가지 거리 측정법—유클리드 거리, 맨하탄 거리(City-Block), 코사인 유사도—를 적용한 후, 이 거리 측정값들을 곱셈 규칙(product rule)을 이용해 불확실성 제거(Defuzzification)하여 최종 예측값을 계산한다.결과현재 실험에서 Inception V3, MobileNet V2, Inception ResNet V2 각각 단독으로 실행했을 때 정확도는 각각 95.30%, 93.92%, 96.44%를 달성하였다. 제안된 앙상블 기법을 적용한 결과, 정확도는 96.96%로 개별 모델보다 높은 성능을 보였다.결론공개된 세 가지 데이터셋에서 수행된 실험 결과를 통해 제안된 모델이 최신 기술 대비 경쟁력 있는 성능을 보임을 입증하였다. 본 연구에서 제안한 방법은 파프 흡인 검사 이미지로부터 자궁경부암을 종합적으로 분류할 수 있는 엔드투엔드(end-to-end) 분류 기법을 제공한다. 이는 의료 전문가가 자궁경부암 치료를 보다 효과적으로 수행하는 데 도움을 줄 수 있으며, 전체 검사 프로세스의 효율성을 향상시킬 수 있다. 본 연구의 소스 코드는 GitHub 저장소인 github.com/rishavpramanik/CervicalFuzzyDistanceEnsemble에서 확인할 수 있다.