이중 딥 러닝과 랜덤 포레스트를 이용한 유방촬영 영상에서의 자동화된 질병 질량 탐지

유방촬영 영상에서의 종양 탐지는 종양 세그멘테이션 및 분류를 위한 전처리 단계에서 핵심적인 역할을 한다. 유방촬영 영상에서 종양을 탐지하는 것은 종양의 형태, 크기, 경계 및 질감에 큰 변이가 존재할 뿐만 아니라 주변 유방 조직 대비 낮은 신호 대 잡음 비율(SNR)을 가지기 때문에 매우 도전적인 문제로 간주된다. 본 논문에서는 딥 러닝과 랜덤 포레스트 분류기를 연쇄적으로 활용한 새로운 종양 탐지 방법을 제안한다. 첫 번째 단계 분류기는 다중 해상도 딥 베리프 네트워크(Deep Belief Network, DBN)로 구성되어, 의심되는 영역을 선별하고, 이후 두 단계의 딥 컨볼루션 신경망(CNN) 캐스케이드에 의해 보다 세밀하게 분석한다. 이 딥 러닝 분석을 통과한 영역은 이후 두 단계의 랜덤 포레스트 분류기 캐스케이드에 의해 처리되며, 이 과정에서는 캐스케이드의 각 단계에서 선택된 영역에서 추출한 형태학적 및 질감 특징을 활용한다. 마지막으로, 랜덤 포레스트 분류기 캐스케이드를 통과한 영역들은 연결 성분 분석(connected component analysis)을 통해 통합되어 최신 기술 수준의 성능을 달성한다. 또한, 제안하는 딥 러닝과 랜덤 포레스트의 캐스케이드 구조가 높은 참 긍정 탐지율을 유지하면서도 거짓 긍정 영역을 효과적으로 감소시킬 수 있음을 입증하였다. 본 연구에서 제안한 종양 탐지 시스템은 공개된 두 가지 데이터셋인 DDSM-BCRP와 INbreast에서 평가되었으며, 결과적으로 INbreast 데이터셋에서는 이미지당 1.2개의 거짓 긍정에서 참 긍정률(Recall)이 0.96 ± 0.03을 달성하였고, DDSM-BCRP 데이터셋에서는 이미지당 4.8개의 거짓 긍정에서 참 긍정률이 0.75에 도달하여 공개된 데이터셋에서 최고의 성능을 보였다.