흉부 X선 이미지 기반 폐렴 자동 검출 경량 CNN 모델

초록

**
본 논문은 5,863장의 전후방 흉부 X선 사진을 이용해, 깊이별 분리 합성곱(depth‑wise separable convolution) 설계와 CLAHE 전처리·기하학적 증강을 결합한 경량 맞춤형 CNN을 제안한다. 제안 모델은 약 1.2 M 파라미터 규모로 91.03% 정확도, 96.67% 재현율, 93.09% F1 점수를 달성했으며, 기존 대형 전이학습 모델 대비 연산량과 메모리 요구가 크게 감소한다.

**

상세 분석

**
이 연구는 임상 현장에서 흔히 마주하는 두 가지 핵심 문제—클래스 불균형과 모델 해석 가능성—를 동시에 해결하려는 시도로 평가할 수 있다. 먼저 전처리 단계에서 CLAHE(Contrast‑Limited Adaptive Histogram Equalization)를 적용해 흑백 X선 이미지의 대비를 균일화함으로써 미세한 폐렴 병변이 강조되도록 하였다. 이는 특히 저조도·노이즈가 많은 저자원 환경에서 중요한데, 기존 연구들은 대부분 단순 정규화에 머물렀다.

데이터 증강은 회전(±15°), 수평 뒤집기, 줌(0.8–1.2), 전단 변환을 포함해 10% 정도의 클래스 불균형을 완화했으며, 이는 모델이 다양한 촬영 각도와 거리 변화에 강건하도록 만든다.

아키텍처 측면에서 가장 눈에 띄는 점은 깊이별 분리 합성곱을 도입해 파라미터 수와 FLOPs를 크게 줄인 것이다. 전통적인 VGG‑16이나 ResNet‑50이 수백만~수억 개의 파라미터를 갖는 반면, 제안 모델은 32→64→128→128 필터를 순차적으로 쌓으며 각 블록마다 depth‑wise와 point‑wise 합성곱을 교차 적용한다. 이 설계는 의료 영상의 텍스처 특성에 최적화된 저차원 특징을 효율적으로 추출한다는 점에서 의미가 크다.

활성화 함수는 ReLU, 정규화는 배치 정규화와 드롭아웃(비율 0.5)을 병행해 과적합을 억제하고 학습 안정성을 높였다. 최종 출력은 시그모이드 활성화를 사용한 단일 뉴런으로, 이진 분류(폐렴 vs 정상) 확률을 제공한다. 손실 함수는 바이너리 교차 엔트로피, 최적화는 Adam(learning rate = 1e‑4)으로 설정했으며, 학습은 50 epoch, 배치 크기 32로 진행되었다.

실험 결과는 정확도 91.03%에 그치지 않고 재현율 96.67%를 기록함으로써, 특히 의료 현장에서 중요한 ‘거짓 음성’ 최소화에 성공했다. 또한 Grad‑CAM 기반 특징 맵 시각화를 통해 모델이 폐렴 병변 부위에 집중하고 있음을 확인, 해석 가능성을 확보했다.

한계점으로는 데이터셋이 단일 공개 데이터(Kermany pediatric)에 국한돼 일반화 검증이 부족하고, 테스트 셋이 전체의 10%에 불과해 통계적 신뢰도가 낮을 수 있다. 또한 경량화에 초점을 맞추다 보니 복잡한 병변(예: 바이러스성 vs 세균성 폐렴 구분)에는 아직 한계가 있다. 향후 다기관·다인종 데이터와 멀티클래스 확장을 통해 임상 적용성을 높일 필요가 있다.

**