경량 GAN 기반 피부 병변 분할 모델 SLSNet

피부암, 특히 악성 흑색종은 조기 발견이 치료 성공률을 크게 좌우한다. 기존의 수작업 진단은 전문가 의존도가 높고, 이미지 내 머리카락·혈관·저대비 영역 등 다양한 잡음으로 인해 정확한 병변 경계 추출이 어렵다. 이러한 문제를 해결하고자 많은 연구가 전통적인 이미지 처리 기법(히스토그램 임계값, 활성 컨투어, 클러스터링)에서 딥러닝 기반 모델(FCN, U‑Net, ResNet, GAN)까지 다양한 접근을 시도했지만, 대부분 수백만~수억 개의 파라미터를 요구해 저사양 의료 기기나 실시간 응용에 부적합하였다. 본 논문은 이러한 배경에서 경량화와 높은 분할 정확도를 동시에 만족하는 새로운 모델 SLSNet(논문에서는 MobileGAN이라고도 표기)을 제안한다. SLSNet의 핵심 설계는 네 가지 모듈로 구성된다. 첫째, 1‑D 커널 분해 합성곱(factorized convolution)으로 2‑D 필터를 가로와 세로 1‑D 필터로 분리해 연산량을 크게 줄인다. 이는 파라미터 수를 2.35 M 수준으로 제한하면서도 충분한 표현력을 유지한다. 둘째, 위치 어텐션 모듈(PAM)은 입력 특징 맵의 공간적 상관관계를 학습해 병변 주변의 미세한 경계와 텍스처를 강조한다. 셋째, 채널 어텐션 모듈(CAM)은 각 채널의 중요도를 동적으로 재조정해 병변과 정상 피부 사이의 구분을 강화한다. 넷째, 다중스케일 집합 블록은 서로 다른 수용 영역을 가진 여러 컨볼루션 스트림을 병렬로 처리하고, 이를 단계별로 합쳐 coarse‑to‑fine 특징을 제공한다. 이러한 구조는 작은 병변부터 큰 병변까지 다양한 크기의 병변을 효과적으로 포착한다. 모델은 GAN 프레임워크 내에서 학습된다. 생성자는 위에서 설명한 인코더‑디코더 구조를 갖고, 판별자는 PatchGAN을 변형해 병변 마스크의 진위와 경계 정확성을 동시에 평가한다. 손실 함수는 이진 교차 엔트로피(BCE), Jaccard 지수, L1‑norm을 가중합한 복합 손실로 구성되어, 픽셀 수준의 정확도와 영역 겹침을 동시에 최적화한다. 실험은 ISBI 2017과 ISIC 2018 두 공개 데이터셋을 사용해 5‑fold 교차 검증으로 수행되었다. 평가 지표는 정확도, Dice, Jaccard, 그리고 처리 속도(FPS)이다. SLSNet은 정확도 97.61 %, Dice 90.63 %, Jaccard 81.98 %를 달성했으며, 이는 기존 최첨단 모델(FCRN, SkinNet, SLSDeep 등)과 비교해 동등하거나 약간 우수한 수준이다. 특히 파라미터 수가 2.35 M에 불과함에도 불구하고 GTX1080Ti 환경에서 초당 110 프레임 이상을 처리해 실시간 응용이 가능함을 입증했다. 비교 대상인 ENet(1 M 파라미터)이나 MobileNet‑Seg와 같은 경량 모델은 정확도와 Dice에서 SLSNet에 뒤처졌다. 논문은 또한 모델의 한계와 향후 연구 방향을 논의한다. 1‑D 커널 분해는 연산 효율성을 높이지만 고해상도 이미지에서 세부 정보를 일부 손실할 위험이 있다. GAN 훈련의 불안정성은 학습 초기에 모드 붕괴가 발생할 수 있어, 추가적인 정규화 기법이나 스케줄링이 필요하다. 향후 연구에서는 더 높은 해상도 지원, 멀티모달 데이터(예: 임상 메타데이터) 통합, 그리고 모바일/임베디드 환경에서의 최적화 등을 제시한다. 결론적으로, SLSNet은 파라미터 효율성, 연산 속도, 그리고 높은 분할 정확도를 동시에 달성한 경량 GAN 모델로, 저사양 의료 기기나 실시간 진단 보조 시스템에 적용하기에 충분한 실용성을 보여준다.