다중 커널 기반 파동·제르니케 특징을 활용한 유방암 영상 자동 탐지·분류 모델

초록

본 연구는 멀티레졸루션 웨이브릿 변환으로 이미지를 분해하고, 각 서브밴드에서 제르니케 모멘트를 추출해 텍스처와 형태 정보를 결합한다. 추출된 특징을 수정된 커널을 적용한 SVM·ELM에 입력해 355장의 IRMA 지방조직 데이터셋(정상 233, 양성 72, 악성 83)으로 실험했으며, 정확도 94.11%와 학습 시간 대비 성능 비율이 기존 최고 방법보다 50배 우수함을 확인하였다.

상세 분석

본 논문은 유방암 조기 진단을 위한 컴퓨터 비전 파이프라인을 제안한다. 첫 단계는 입력된 유방 촬영 영상을 2차원 다중 해상도 웨이브릿(MRA)으로 분해하여 저주파(approximation)와 고주파(detail) 서브밴드들을 얻는 것이다. 웨이브릿 변환은 국소적인 텍스처 변화를 강조하면서도 스케일 불변성을 제공하므로, 종양의 경계가 흐릿하거나 다양한 크기를 가질 때도 유용하다. 각 서브밴드에 대해 제르니케 모멘트를 계산하는데, 제르니케 모멘트는 회전·스케일·왜곡에 강인한 형태 기술자이며, 특히 원형·불규칙형 종양의 형태 차이를 정량화하는 데 적합하다. 텍스처와 형태를 동시에 포착함으로써 단일 특징(예: GLCM, HOG)만을 사용하는 기존 방법보다 풍부한 표현력을 확보한다.

특징 벡터는 4개의 웨이브릿 레벨과 3개의 방향(수평·수직·대각선)에서 추출된 제르니케 모멘트(각 레벨당 15차까지)로 구성되어, 총 180차원의 고차원 공간을 형성한다. 차원 저주화 없이 그대로 사용한 이유는 SVM과 ELM이 고차원에서도 과적합을 방지할 수 있는 정규화 메커니즘을 내장하고 있기 때문이다. 특히 저자들은 기존 RBF 커널을 변형한 ‘다중 커널’(Multi‑Kernel) 방식을 도입했는데, 이는 서로 다른 서브밴드별로 별도 커널 파라미터(γ)를 할당하고, 최종 결정 함수는 가중합 형태로 결합한다. 이렇게 하면 각 서브밴드가 데이터 분포에 미치는 영향을 독립적으로 최적화할 수 있어, 전반적인 분류 경계가 보다 정교해진다.

학습기법으로는 전통적인 서포트 벡터 머신(SVM)과 급속 학습이 가능한 극한 학습 머신(ELM)을 사용했으며, 두 모델 모두 다중 커널을 적용했다. ELM은 은닉층 가중치를 무작위로 초기화하고, 출력 가중치만 최소제곱법으로 구해 학습 시간을 크게 단축한다. 실험 결과, SVM‑MultiKernel이 94.11%의 최고 정확도를 기록했으며, ELM‑MultiKernel은 약 2% 낮은 정확도이지만 학습 시간이 1/50 수준으로 현저히 빠른 것으로 나타났다.

성능 평가는 정확도 외에도 ‘정확도 대비 학습 시간 비율(Accuracy/Time)’을 역순으로 정의해, 높은 정확도와 짧은 학습 시간을 동시에 만족하는 모델을 정량화했다. 제안된 모델은 기존 최첨단 방법(예: CNN 기반 전이 학습) 대비 이 비율이 50배 이상 우수했으며, 이는 실제 임상 현장에서 대용량 데이터가 지속적으로 유입될 때 실시간 혹은 준실시간 업데이트가 가능함을 의미한다.

한계점으로는 데이터셋이 지방조직(FA)에 국한되어 있어, 섬유성 조직이나 혼합 조직에 대한 일반화 검증이 부족하다는 점을 들 수 있다. 또한 웨이브릿 종류(예: Haar, Daubechies)와 제르니케 차수 선택이 실험적으로 결정되었으며, 자동 최적화 절차가 포함되지 않아 재현성에 약간의 변동성이 존재한다. 향후 연구에서는 다중 스케일 딥러닝과의 하이브리드, 그리고 다양한 조직 유형을 포함한 대규모 공개 데이터베이스를 활용한 교차 검증이 필요하다.