압축 도메인에서 흉부 질환을 분류하고 방사선 이미지를 압축하기 위한 합동으로 학습하는 컨볼루션 표현

자연 이미지에서 학습된 딥러닝 모델은 의료 분야의 다양한 분류 작업에 널리 사용된다. 일반적으로, 고차원의 의료 영상은 ImageNet 기반으로 설계된 딥러닝 모델이 입력으로 수용할 수 있는 224 × 224 픽셀의 저해상도 이미지만을 처리할 수 있기 때문에, 보간 기법을 활용해 사전에 저해상도로 축소된다. 이와 같은 보편적인 기법은 중요한 정보 손실을 초래할 수 있으며, 이는 분류 성능 저하로 이어질 수 있다. 특히 의료 영상에서 중요한 병리학적 특징은 일반적으로 크기가 작고, 해상도 저하에 매우 민감하다. 이러한 문제를 해결하기 위해, 우리는 인코더 기반의 자동코드러(Autoencoder)를 통해 이미지의 해상도를 감소시키는 동시에, 별도의 네트워크를 이용해 분류 작업을 수행하는 컨볼루션 신경망(CNN) 기반의 분류 접근법을 제안한다. 두 작업은 공동으로 학습되며, 모델이 고해상도 이미지로부터 분류에 필요한 핵심 표현을 학습하면서 동시에 이미지 재구성도 수행하도록 유도한다. 제안된 방법은 공개된 흉부 X선 영상 데이터셋을 이용해 평가되었으며, 테스트 데이터에서 최신 기술보다 우수한 성능을 기록했다. 또한, 이 데이터셋에서 다양한 증강 기법의 영향을 실험적으로 분석하고, 잘 알려진 ImageNet 기반의 CNN 아키텍처들을 활용한 기준 성능(Baseline)을 제시하였다.