두 단계 컨볼루션 신경망 기반 폐결절 자동 검출

초록

본 논문은 폐 CT 영상에서 결절을 정확히 탐지하기 위해, 개선된 UNet을 이용한 후보 영역 생성과 3D CNN 기반의 위양성 감소를 결합한 두 단계 CNN(TSCNN) 구조를 제안한다. 새로운 샘플링 전략, 오프라인 하드 마이닝, 계단식 예측, 듀얼 풀링 설계, 랜덤 마스크 데이터 증강 및 앙상블 학습을 통해 LUNA 데이터셋에서 경쟁력 있는 검출 성능을 달성하였다.

상세 분석

제안된 TSCNN은 기존 1단계 후보 검출과 2단계 위양성 억제 방식을 통합하면서도 각 단계의 특성을 극대화하는 설계가 돋보인다. 첫 번째 단계에서는 Residual‑Dense 블록을 도입한 UNet 변형을 사용해 깊이 있는 특징 추출과 재구성을 동시에 수행한다. 특히, 결절 가장자리 voxel에 높은 샘플링 가중치를 부여하고, 배경 voxel을 고·저 상관도 두 그룹으로 나누어 거리와 강도 기반 가중치를 계산하는 샘플링 전략은 불균형 데이터 문제를 완화하고 경계 검출을 강화한다. 오프라인 하드 마이닝을 적용해 학습 초기에 어려운 샘플을 집중적으로 학습함으로써 모델의 일반화 능력을 높였으며, 계단식 예측(cascade prediction)으로 후보 영역을 단계적으로 정제해 위양성 비율을 크게 낮출 수 있었다. 두 번째 단계에서는 Dual‑Pooling 구조를 적용한 세 종류의 3D CNN(SeResNet, DenseNet, InceptionNet)을 구축하고, 각 네트워크에 랜덤 마스크 기반 데이터 증강을 적용해 입력 변형에 대한 강인성을 확보하였다. 마지막으로, 다중 모델의 예측을 평균화하는 앙상블 학습을 도입해 개별 모델의 편향을 보완하고 최종 검출 성능을 향상시켰다. 실험은 LUNA16 데이터셋을 사용했으며, 제안 모델은 높은 민감도와 낮은 false‑positive rate을 동시에 달성해 기존 방법들과 비교해 경쟁력 있는 결과를 보여준다. 다만, 제안 방법은 3D CNN 학습에 필요한 대규모 GPU 메모리와 연산량이 크게 요구되며, 샘플링 가중치와 하이퍼파라미터 설정이 데이터셋에 민감할 수 있다는 점은 향후 연구에서 자동화하거나 경량화하는 방안이 필요하다.