전 세계적으로 유방암(BC)은 여성의 주요 사망 원인으로 간주된다. 이에 따라 연구자들은 X-ray, MRI 및 유방촬영(mammography) 이미지 양식을 이용하여 조기적이고 정확한 검출을 위해 다양한 기계학습 및 딥러닝 기반 방법을 활용해 왔다. 그러나 기계학습 모델은 최적의 특성을 선택하기 위해 도메인 전문가가 필요하며, 제한된 정확도를 보이고, 수작업 기반 특징 추출로 인해 높은 오탐(false positive)률을 나타낸다. 딥러닝 모델은 이러한 한계를 극복하지만, 대량의 학습 데이터와 연산 자원을 필요로 하며, 모델 성능의 추가 향상이 요구된다. 이를 위해 본 연구에서는 유방암 영상 내 감염된 영역을 자동으로 분류하는 새로운 프레임워크인 Ensemble-based Channel and Spatial Attention Network (ECS-A-Net)을 제안한다. 제안된 프레임워크는 두 단계로 구성된다. 첫 번째 단계에서는 입력 데이터의 크기를 향상시키기 위해 서로 다른 증강(augmentation) 기법을 적용한다. 두 번째 단계에서는 특징 추출을 위한 백본(backbone)으로 수정된 SE-ResNet50과 InceptionV3를 병렬적으로 활용하는 앙상블 기법을 포함하며, 이어서 보다 지배적인 특징 선정을 위해 Channel Attention(CA)과 Spatial Attention(SA) 모듈을 연속적인 방식으로 적용한다. ECS-A-Net의 타당성을 추가로 검증하기 위해, 제안 모델이 DDSM 데이터셋에서 96.50%의 정확도, MIAS 데이터셋에서 95.33%의 정확도를 달성한 것으로 나타난 두 개의 벤치마크(DDSM 및 MIAS)를 대상으로 여러 경쟁적인 최첨단(SOTA) 기법 간에 광범위한 실험을 수행하였다. 또한 실험 결과는 정확도, 민감도(sensitivity), 특이도(specificity) 등 다양한 평가 지표에서 우리의 네트워크가 다른 방법들보다 더 나은 성능을 달성함을 보여주었다.

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