프로토타입 기반 다중시점 학습으로 갑상선 결절 초음파 진단 강화

갑상선 결절은 내분비계 질환 중 흔히 발생하며, 초음파 검사는 비침습적이고 실시간으로 진행될 수 있어 일차 선별에 널리 활용된다. 그러나 초음파 영상은 장치 종류, 촬영 파라미터, 연산자 기술 등에 따라 크게 달라지는 이질성을 가지고 있다. 같은 병리학적 유형이라도 에코 강도, 경계 명확도, 형태, 내부 텍스처 등이 다양하게 나타나며, 이러한 변이는 딥러닝 모델이 데이터에 과적합하거나 장치‑특정 패턴에 의존하게 만들고, 실제 임상 현장에서 성능 저하를 초래한다. 이 논문은 이러한 문제를 해결하기 위해 “Prototype‑Enhanced Multi‑View learning” (PEMV‑thyroid)이라는 새로운 프레임워크를 제안한다. 전체 구조는 크게 두 부분으로 나뉜다. 첫 번째는 Multi‑View Feature Extraction(MVFE) 모듈로, 하나의 백본(예: ResNet‑50)에서 추출한 공유 피처맵을 바탕으로 전역 피처 g와 K개의 시점별 피처 a₁…a_K를 동시에 생성한다. 각 시점은 초음파 영상의 서로 다른 시각적 속성(형태, 방향, 경계, 에코 등)을 강조하도록 설계돼, 단일 전역 피처가 놓칠 수 있는 미세한 진단 정보를 보완한다. 이렇게 얻어진 시점별 피처들의 집합 A =