이 연구는 피부암 검출에서의 어려움, 특히 클래스 불균형과 병변의 다양한 외관으로 인해 분할 및 분류 작업이 복잡해지는 문제를 다룬다. 연구에서는 분할( U-Net, SegNet, DeepLabV3 사용)과 분류( VGG16, ResNet-50, Inception-V3 사용) 모두에 대해 딥러닝 앙상블 모델을 활용한다. 분류에서는 ISIC 데이터셋을 과샘플링을 통해 균형화하며, 분할의 강건성을 높이기 위해 데이터 증강 및 후처리와 같은 전처리 기법을 적용한다. 앙상블 모델은 개별 모델보다 우수한 성능을 보였고, 분할에서 Dice 계수 0.93, IoU 0.90, 정확도 0.95를 달성했으며, 분류에서는 원본 데이터셋에서 정확도 90%, 균형 데이터셋에서 99%를 나타냈다. 앙상블 모델과 균형화된 데이터셋의 사용은 자동 피부 병변 분석의 정확도와 신뢰성을 향상시키는 데 매우 효과적인 것으로 입증되었으며, 조기 검출을 위한 노력에서 피부과 전문의들을 지원한다.

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