자동 전이학습 기반 CT 팬텀 패턴 자동 분류 시스템

초록

본 논문은 이미지넷 사전학습 VGG19 모델을 전이학습하여 CT 팬텀 이미지에서 테스트 패턴을 자동으로 구분하는 방법을 제시한다. 3,500여 장의 임상 데이터와 색채 채널을 활용한 컨텍스트 정보, 다양한 데이터 증강 및 소거 실험을 통해 일반적인 팬텀 이미지에서 98%의 정확도, 비정상 촬영 이미지에서도 최대 86%의 정확도를 달성하였다.

상세 분석

이 연구는 CT 시스템 품질 검증에 사용되는 팬텀 이미지의 패턴을 인간 전문가가 수작업으로 라벨링해야 하는 비효율성을 해결하고자 한다. 기존 방법은 패턴이 미세하게 손상되었거나 촬영 조건이 부적절할 경우 전문가가 직접 판단해야 했으며, 이는 시간과 인력 비용을 크게 증가시켰다. 저자들은 이러한 문제를 딥러닝, 특히 전이학습(transfer learning) 기법을 활용해 자동화한다. 기본 모델로는 19계층으로 구성된 VGG19를 선택했으며, 이는 ImageNet에서 사전학습된 가중치를 그대로 이용한다. 이미지넷은 자연 이미지에 최적화돼 있어 의료 영상에 바로 적용하기엔 도메인 차이가 크다. 이를 보완하기 위해 저자는 입력 채널을 3채널(RGB)로 유지하되, 각 채널에 서로 다른 전처리(예: 원본, 히스토그램 평활화, 에지 강조)를 적용해 팬텀 이미지의 구조적·텍스처 정보를 강조한다. 이렇게 만든 3채널 입력은 VGG19가 기존에 학습한 필터를 그대로 활용하면서도 의료 특유의 특징을 포착하도록 돕는다.

데이터셋은 대학병원에서 수집한 3,500여 장의 팬텀 슬라이스로, 정상 패턴, 결함이 있는 패턴, 촬영 오류(예: 위치 오차, 과다 노이즈) 등 4가지 클래스로 라벨링되었다. 학습 과정에서는 랜덤 회전, 스케일 변환, 밝기·대비 조절, 가우시안 노이즈 추가 등 광범위한 이미지 증강을 적용해 모델의 일반화 능력을 강화하였다. 특히, 작은 데이터셋에서도 과적합을 방지하기 위해 배치 정규화와 드롭아웃을 적절히 배치하였다.

성능 평가는 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score 등 다중 지표로 수행했으며, 전체 데이터에 대해 98%의 정확도를 기록했다. 흥미로운 점은 ‘부적절하게 촬영된’ 이미지에 대해서도 86%까지 정확도를 유지했는데, 이는 실제 임상 현장에서 발생할 수 있는 다양한 오류 상황에서도 모델이 견고함을 의미한다.

핵심적인 ablation study에서는 (1) 사전학습 가중치 사용 여부, (2) 3채널 컨텍스트 입력 vs 단일 채널, (3) 데이터 증강 유무, (4) 모델 깊이(VGG16 vs VGG19) 등을 차례로 제거·변경하며 성능 변화를 측정했다. 결과적으로 사전학습 가중치와 3채널 입력이 가장 큰 성능 향상을 가져왔으며, VGG19가 VGG16보다 약 1.5% 높은 정확도를 보였다. 또한, 증강을 제외하면 정확도가 5~7% 감소하는 등 증강의 중요성이 입증되었다.

이 논문은 전이학습과 맞춤형 입력 설계, 체계적인 증강 전략을 결합해 의료 영상 특수 도메인에 딥러닝을 성공적으로 적용한 사례로, 향후 다른 종류의 품질 검증 팬텀이나 방사선 검사에서도 유사한 파이프라인을 적용할 가능성을 열어준다. 또한, 모델 해석을 위해 Grad-CAM을 활용해 중요한 영역을 시각화했으며, 이는 임상의가 모델 결정을 신뢰하도록 돕는 중요한 요소다.