영역 기반 풀링 구조를 갖춘 심층 신경망을 이용한 유방촬영 영상 분류

유방암은 가장 흔히 진단되는 고체 종양 중 하나이다. 유방암 조기 검출을 위한 가장 일반적인 스크리닝 기술로는 유방촬영( mammography)이 있다. 기존의 유방촬영 영상 분류 또는 분할에 사용되는 전통적인 머신러닝 방법은 수작업으로 추출한 특징을 기반으로 하며, 모델 학습과 결과 검증을 위해 방대한 수의 수작업 분할 레이블 데이터를 필요로 한다. 그러나 수작업 라벨링은 비용이 많이 들고 시간이 오래 걸리며, 인력도 많이 소모되므로 시스템 구축 비용을 크게 증가시킨다. 이러한 비용과 방사선과 의사의 작업 부담을 줄이기 위해, 훈련 데이터에서 경계 상자(bounding box)나 마스크 지정 레이블(mask ground truth label)이 필요 없이, 전체 영상에 대한 분류를 직접 수행할 수 있는 딥 뉴럴 네트워크 기반의 엔드투엔드 전 영상 분류 방법이 제안되었다. 이 방법에서 유일하게 필요한 레이블은 유방촬영 영상의 분류 정보이며, 이는 진단 보고서로부터 비교적 쉽게 수집할 수 있다. 유방 병변은 일반적으로 유방촬영 영상 전체 면적의 일부만을 차지하므로, 기존의 일반적인 풀링 방법 대신 컨볼루션 신경망(CNN)에 대해 다양한 풀링 구조를 제안한다. 이 구조는 영상을 여러 영역으로 나누고, 악성 가능성 확률이 높은 일부 영역을 전체 유방촬영 영상의 대표 특징으로 선택함으로써, 전체 영상의 의미 있는 표현을 가능하게 한다. 제안된 풀링 구조는 대부분의 CNN 기반 모델에 적용 가능하며, 동일한 입력 조건 하에서 모델의 성능을 크게 향상시킬 수 있다. 공개된 INbreast 데이터셋과 CBIS 데이터셋을 활용한 실험 결과, 기존 최고 수준의 유방촬영 영상 분류기 및 분할 레이블을 사용하는 탐지 알고리즘과 비교하여, 제안된 풀링 구조가 유방촬영 영상 데이터에 대해 우수한 성능을 보였음을 확인하였다.