소장에 발생하는 카르시노이드 종양은 드물어, CT(Computed Tomography) 스캔을 이용한 검출 모델 학습을 위해 크기가 다양한 병변을 충분한 규모로 수집하는 데 어려움이 있다. 이러한 희소성은 특히 비교적 작은 종양 또는 큰 종양에서의 검출 성능에 부정적인 영향을 미친다. 이를 해결하기 위해, 우리는 과소대표된 종양 크기를 선택적으로 증강할 수 있어 검출 성능을 향상시키는 새로운 영상 합성 방법을 제안한다. 본 방법은 종양 분할 모델과 크기 인지 손실(size-aware loss)을 학습 과정에 통합함으로써, 크기 제어가 가능한 종양 생성 기능을 제공한다. 구체적으로, 입력 노이즈 벡터의 한 차원을 합성된 종양의 크기를 제어하는 데 지정한다. 원하는 크기로 생성된 종양을 CT 영상에 이식하여 종양 검출 네트워크의 학습 데이터를 풍부하게 한다. 우리의 방법은 기준 합성 방법과 비교하여 시각적 현실감은 유사하게 유지하면서도, 더 뚜렷한 크기 구분을 갖는 종양을 생성한다. 시각적 튜링 테스트(visual Turing test)에서 인간 관찰자들은 합성 종양과 실제 종양을 신뢰성 있게 구별하지 못했다. 자유응답 수신자 조작특성(free-response receiver operating characteristic, FROC) 곡선을 통한 병변 수준 평가에서는, 학습 시 합성 종양을 포함했을 때 검출 성능이 향상되었으며(P=0.04), 본 방법은 소장 카르시노이드 종양과 같은 희귀 종양의 검출을 개선하는 유망한 방향을 제시한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.