의학 영상은 현대 의료에서 핵심적인 역할을 하며, 인체의 복잡한 구조와 기능을 시각적으로 파악할 수 있는 창을 제공한다. 그러나 다양하고 대표성 있는 의료 영상의 부족은 연구 진전을 크게 제한한다. 현재 딥러닝 알고리즘은 진단 과정을 자동화하기 위해 의료 영상 분야에 점차 도입되고 있다. 이러한 알고리즘의 성공은 방대하고 다양한 데이터셋에 크게 의존한다. 데이터가 충분하지 않으면 알고리즘의 학습과 검증이 저해되어, 성능 저하, 편향된 결과, 그리고 일반화 능력의 감소로 이어진다. 본 논문에서는 Convolutional Autoencoder(CA)를 활용하여 의학 영상을 합성적으로 생성하는 선도적인 접근법을 제안한다. 생성된 합성 영상은 기존 데이터베이스에 추가되어 증강 데이터셋을 구성한다. 이후 이 증강 데이터셋을 합성곱 신경망으로 분류에 활용한다. 실험은 공개적으로 이용 가능한 데이터셋인 흉부 CT 스캔 데이터셋과 IQ-OTH/NCCD 폐암 데이터셋에서 수행되었다. CA의 합성 이미지 생성 능력은 뒤집기(flip), 회전(rotating), 전단(shearing), 이동(shifting), 확대(zooming), 부분 샘플링(sub-sampling)과 같은 전통적 증강 방법과 비교하였다. 그 결과, CA 기반 증강 데이터셋은 정확도 91%를 달성한 반면, 전통적 증강 기반 데이터셋은 83%에 그쳤다.

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