효율적인 피부 과도성 종양 및 흑색종 피부 병변의 매크로 이미지를 향상시키기 위한 기반 효율적인 네트워크의 개선된 시그모이드 변환

배경 및 목적: 초기 단계에서 피부 병변은 피부과 매크로 이미지에서 배경 영역과 비교해 충분한 강도 차이 또는 대비가 없을 수 있다. 이미지 촬영 시 적절한 조명 노출이 이루어지지 않은 경우에도 대비가 감소하게 된다. 병변 영역과 배경 영역 간의 저대비는 세분화(segmentation)에 부정적인 영향을 미친다. 피부과 매크로 이미지에서 병변과 배경 피부 간의 대비를 향상시키기 위한 증강 기법은 기존 문헌에서 제한적이다. 본 연구에서는 이러한 문제를 해결하기 위해 EfficientNet 기반의 수정된 시그모이드 변환을 제안한다.방법: 수정된 시그모이드 변환은 HSV 색상 공간에서 적용된다. 병변과 배경을 분리하는 기준점인 교차점(crossover point)을 수동 개입과 주관성을 배제하기 위해 수정된 EfficientNet 회귀 모델을 사용하여 예측한다. 기존 EfficientNet의 분류층을 회귀층으로 대체함으로써 수정된 EfficientNet 회귀 모델을 구축하였다. 학습 시간 단축 및 학습 데이터셋 크기 축소를 위해 전이 학습(transfer learning)을 활용하였다. 수정된 EfficientNet 회귀 모델의 학습을 위해, 훈련 데이터셋 내 매크로 이미지의 HSV 색상 공간 표현에서 추출한 값 성분들을 입력으로 사용한다. 이에 대응하는 이상적인 교차점은, 지정된 진단 이미지(Ground-truth)와 Otsu 임계치 기반 세분화 결과 이미지 간의 Dice 유사도 계수(DSC)가 최대가 되는 지점으로 정의된다.결과: 제안된 프레임워크로 증강된 이미지에서 Otsu 임계치 기반 세분화 결과의 DSC는 0.68 ± 0.34에서 0.81 ± 0.17로 향상되었다.결론: 제안된 알고리즘은 종합적인 테스트 이미지 세트에서 병변과 배경 간 대비를 일관되게 향상시킬 수 있었으며, 이는 피부과 매크로 이미지의 자동 분석 응용 분야에서의 실용성을 입증한다.