WDCCNet: 유방 영상 분류를 위한 가중 이중 분류기 제약 신경망

유방암의 조기 발견과 적시 치료는 생명을 구할 수 있다. 유방촬영법(mammography)은 조기 유방암을 선별하는 가장 효과적인 방법 중 하나이다. 자동 유방촬영 영상 분류 방법의 도입은 방사선의학과 전문의의 업무 효율성을 높일 수 있다. 현재의 딥러닝 기반 방법들은 일반적으로 특징 추출 부분을 최적화하기 위해 전통적인 소프트맥스 손실(softmax loss)을 사용하는데, 이는 유방촬영 영상의 특징을 학습하는 것을 목적으로 한다. 그러나 이전 연구들은 표준 소프트맥스 손실을 사용할 경우 특징 추출 부분이 복잡한 데이터로부터 구분 가능한 특징(discriminative features)을 학습하지 못함을 밝혀냈다. 본 논문에서는 새로운 아키텍처를 설계하고 각각의 손실 함수를 제안한다. 구체적으로, 분류기의 결정 경계를 조정함으로써 추출된 특징의 분포를 제약하는 이중 분류기(double-classifier) 네트워크 아키텍처를 개발하였다. 그 후, 결정 경계를 제약하여 특징 추출 부분이 구분 가능한 특징을 학습할 수 있도록 하는 이중 분류기 제약 손실 함수(double-classifier constraint loss function)를 제안하였다. 더불어, 두 개의 분류기 아키텍처를 활용함으로써 신경망은 분류가 어려운 샘플을 탐지할 수 있다. 특히, 분류가 어려운 샘플의 특징 학습에 더 많은 주의를 기울이기 위해 가중치를 적용한 이중 분류기 제약 방법을 제안하였다. 본 연구에서 제안하는 방법은 기존의 합성곱 신경망(Convolutional Neural Network, CNN)에 쉽게 적용 가능하며, 유방촬영 영상 분류 성능을 향상시킬 수 있다. 우리는 세 가지 공개된 유방촬영 영상 기준 데이터셋을 대상으로 광범위한 실험을 수행하여 제안 방법의 성능을 평가하였다. 실험 결과, 제안 방법은 세 가지 공개 의료 기준 데이터셋에서 다른 유사한 방법들과 최신 기술(state-of-the-art) 방법들을 모두 능가하는 성능을 보였다. 본 연구의 코드와 가중치는 GitHub에서 확인할 수 있다.