주의 메커니즘 기반 EfficientNetV2를 활용한 백혈병 세포 자동 분류 시스템
읽는 시간: 2 분
...
📝 원문 정보
- Title: Enhanced Leukemic Cell Classification Using Attention-Based CNN and Data Augmentation
- ArXiv ID: 2601.01026
- 발행일: 2026-01-03
- 저자: Douglas Costa Braga, Daniel Oliveira Dantas
📝 초록 (Abstract)
본 연구는 급성 림프구성 백혈병(ALL) 세포 분류를 위한 재현 가능한 딥러닝 파이프라인을 제시한다. 효율적인 이미지 분석을 위해 EfficientNetV2‑B3에 Squeeze‑and‑Excitation 모듈을 결합한 주의 메커니즘 기반 합성곱 신경망을 설계하였다. 데이터 불균형을 완화하기 위해 포컬 손실을 적용하고, 환자 단위의 데이터 분할을 통해 평가의 신뢰성을 확보하였다. 또한 다양한 데이터 증강 기법을 전면적으로 활용하였다. C‑NMC 2019 데이터셋(62명 환자, 12 528장 이미지)에서 테스트 셋에 대해 97.89%의 F1‑스코어와 97.89%의 정확도를 달성했으며, 100회 반복 몬테카를로 실험을 통해 기존 베이스라인 대비 p < 0.001 수준의 통계적 유의성을 확인하였다. 파라미터 수는 VGG16 대비 89% 감소(15.2 M vs. 138 M)하면서도 성능은 최대 4.67% 향상시켰다. 주의 메커니즘은 진단에 중요한 세포 특징을 시각화하여 해석 가능성을 제공한다. 본 파이프라인은 높은 정확도와 경량 모델을 동시에 만족시켜 임상 현장에 적용 가능한 솔루션을 제시한다.💡 논문 핵심 해설 (Deep Analysis)
데이터 전처리 단계에서는 회전, 확대·축소, 색상 변형, 가우시안 노이즈 추가 등 12가지 이상의 증강 기법을 적용해 모델의 일반화 능력을 크게 향상시켰다. 특히 환자 단위로 데이터를 학습·검증·테스트 셋을 분리한 ‘patient‑wise split’은 동일 환자 이미지가 여러 셋에 겹치는 것을 방지해 과적합을 최소화하고, 실제 임상 적용 시 기대할 수 있는 성능을 보다 정확히 평가한다는 점에서 의미가 크다.
클래스 불균형 문제는 ALL(양성)과 정상(음성) 이미지 비율이 1:1에 가깝지 않은 상황에서 포컬 손실(focal loss)을 도입해 해결하였다. 포컬 손실은 어려운 샘플에 가중치…