PCOS 조기 진단을 위한 딥러닝 기반 초음파 이미지 자동 분류 시스템

초록

본 연구는 DenseNet201과 ResNet50을 전이학습으로 활용하여 3 856장의 난소 초음파 이미지를 99 % 이상의 정확도로 PCOS 여부를 분류한다. MixUp·CutMix 데이터 증강과 SHAP·Grad‑CAM·LIME을 통한 설명가능성을 결합해 모델의 투명성을 확보했으며, 저자원 의료 현장에서의 실시간 스크리닝 도구로 활용 가능성을 제시한다.

상세 분석

본 논문은 PCOS(다낭성 난소 증후군) 조기 발견을 목표로 초음파 영상에 특화된 딥러닝 파이프라인을 설계하였다. 데이터셋은 온라인에서 수집한 3 856장의 초음파 이미지(양성·음성 각각 1 928장)로 구성됐으며, 모든 이미지를 224 × 224 픽셀로 리사이즈하고 정규화하였다. 전처리 단계에서 중복·결측값 제거, 범주형 변수 인코딩, 이상치 제거, 표준화까지 수행해 데이터 품질을 높였다.

모델은 두 가지 전이학습 기반 아키텍처인 DenseNet201(201계층)과 ResNet50(50계층)을 선택했으며, 각각 ImageNet 가중치를 초기화하였다. DenseNet은 모든 이전 레이어와의 밀집 연결을 통해 그래디언트 소실을 방지하고 파라미터 효율성을 극대화한다. ResNet은 잔차 블록을 이용해 깊은 네트워크 학습의 안정성을 확보한다. 두 모델 모두 배치 정규화·ReLU·드롭아웃을 포함한 전형적인 CNN 구성 요소를 유지하면서, 최종 전결합층에 sigmoid 활성화를 적용해 이진 분류를 수행한다.

데이터 증강으로는 MixUp과 CutMix을 도입했다. MixUp은 두 이미지와 라벨을 선형 보간해 라벨 스무딩을 제공함으로써 과적합을 완화하고 경계 샘플에 대한 일반화 능력을 향상시킨다. CutMix은 이미지의 일정 영역을 다른 이미지와 교체하고 라벨을 영역 비율에 따라 가중합함으로써 공간적 다양성을 주입한다. α값을 각각 0.25(MixUp)와 0.4(CutMix)로 설정해 최적의 성능을 도출했다.

학습은 Adam 옵티마이저(learning rate = 1e‑4)와 binary_crossentropy 손실 함수를 사용했으며, 배치 크기 32, 최대 epoch 100(실제 DenseNet은 98 epoch, ResNet은 67 epoch)으로 설정했다. Early stopping(patience = 15 for DenseNet, 10 for ResNet)과 모델 체크포인팅을 통해 과적합을 방지하고 최적 모델을 저장하였다.

성능 평가에서는 정확도, 정밀도, 재현율, F1-score를 모두 99 % 이상으로 기록했다. DenseNet201은 검증 정확도 99.80 %와 손실 0.617을 달성했으며, 테스트 단계에서 100 % 정확도(손실 4.54e‑5)를 보였다. ResNet50은 테스트 정확도 97.02 %와 손실 2.11e‑6을 기록했으며, 혼동 행렬에서 false negative 8건, false positive 0건을 나타냈다. 두 모델 모두 학습·검증 정확도 곡선이 거의 겹쳐 과적합이 최소화된 것으로 해석된다.

설명가능성 분석에서는 SHAP, Grad‑CAM, LIME을 적용해 각 이미지에 대한 모델의 판단 근거를 시각화하였다. Grad‑CAM은 난소의 낭포 영역을 강조했으며, SHAP은 픽셀 수준에서 중요한 특징을 정량화했다. 이러한 XAI 결과는 임상의가 모델 예측을 검증하고 신뢰성을 판단하는 데 도움을 준다.

한계점으로는 데이터가 공개 데이터셋에 국한되어 외부 검증이 부족하고, 클래스 불균형에 대한 상세한 통계가 제시되지 않은 점을 들 수 있다. 또한, 실제 임상 환경에서의 실시간 추론 속도와 하드웨어 요구사항에 대한 논의가 부족하다. 향후 연구에서는 다기관 데이터 수집, 멀티모달(초음파·호르몬·임상 기록) 통합 모델 구축, 경량화된 모델을 통한 모바일/엣지 디바이스 적용 등을 제안한다.

전반적으로 본 논문은 전이학습과 최신 데이터 증강, XAI 기법을 결합해 PCOS 초음파 영상 분류에서 거의 완벽에 가까운 성능을 달성했으며, 저자원 의료 현장에서의 자동 스크리닝 도구로 활용 가능성을 제시한다.