초음파 영상은 유방암 검출을 위해 널리 사용되지만, 진단 신뢰도는 종종 시술자 의존성과 주관적 해석에 의해 제한된다. 딥러닝 기반 컴퓨터보조진단(CADx) 시스템은 진단의 일관성을 향상시킬 잠재력이 있으나, 그 효과는 흔히 주석이 달린 의료 영상의 부족으로 인해 제한된다. 본 연구는 특히 데이터가 제한된 상황에서 유방 종양 국소화를 위한 YOLO 기반 객체 검출 모델의 성능과 학습 안정성을 향상시키는 학습 프레임워크를 제안한다. 제안 방법은 종양 대 배경의 면적 비율로 난이도를 단계적으로 결정하여, 계층적으로 확대된 B-mode 영상을 활용한 detail-to-context 커리큘럼 학습 방식을 통합한다. 전처리 단계에서는 모든 영상을 종횡비를 보존한 채 640 × 640 픽셀로 재조정하여 데이터셋 내 일관성을 개선한다. 평가 결과, 종횡비 보존 재조정은 재현율(recall)을 2.3% 증가시키고 안정성 지표의 표준편차는 20% 이상 감소시키는 것과 연관되었다. 또한 커리큘럼 학습 접근법은 기존 방법이 요구하는 학습 데이터의 35%만 사용하여 최종 모델 성능의 97.2%에 도달하였으며, 더 균형 잡힌 정밀도–재현율(precision–recall) 프로파일을 달성하였다. 이러한 결과는 제안된 프레임워크가 특히 자원이 제한된 임상 환경에서의 배치를 염두에 둔, 보다 견고하고 효율적인 종양 검출 모델을 개발하기 위한 효과적인 전략으로서의 잠재력을 지닌다는 점을 시사한다.

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