유방-NET: 조직학적 샘플을 이용한 유방암 진단 및 등급 분류를 위한 경량 DCNN 모델

유방암은 전 세계 여성에게 흔하게 발생하며 치명적인 암 중 하나이다. 진단을 위해 비침습적 기법인 초음파 및 유방촬영( mammography)이 사용되지만, 생검 후 조직학적 검사가 여전히 금 standard로 간주된다. 그러나 조직의 이상 여부를 수동으로 평가하는 과정은 인력과 비용이 많이 들며, 사전 분야 지식이 필요하다. 특히 자원이 제한된 지역이나 원격 지역에서는 조기 발견, 인식 제고, 전문 의료 인프라 접근성 등의 문제로 인해 생명을 구하는 데 있어 큰 도전 과제가 있다. 최근 들어 GPU 메모리의 발전, 계산 성능 향상, 디지털 데이터의 확보 등으로 인해 딥러닝 기반의 접근법이 유방암 검출 분야에서 유망한 성과를 거두고 있다. 이러한 관찰에 기반하여, 본 연구에서는 조직학적 영상을 활용한 유방암 검출 및 등급 분류를 위한 Breast-NET 딥 컨볼루션 신경망 모델을 제안한다. 제안된 모델의 성능은 BreakHis 데이터셋에서 평가되었으며, 침습성 점선암(IDC) 등급 분류 및 IDC 데이터셋에서의 일반화 능력도 입증하였다. 광범위한 실험 및 통계적 성능 분석, 아블레이션 스터디를 통해 제안 모델의 효율성을 검증하였다. 또한, 유방암 검출 및 등급 분류에 있어 7개의 사전 훈련된 컨볼루션 신경망을 활용한 전이학습(transfer learning)의 효과를 입증하였다. 실험 결과, BreakHis, IDC 등급 분류, IDC 데이터셋 모두에서 제안하는 프레임워크가 정확도, 공간 복잡도, 계산 복잡도 측면에서 최신 기술들을 능가함을 보였다.