신생아의 경우, 특히 재태 연령이 낮은 미숙아이면서 저체중 출생아 및 고위험 영아에서는 이동식 X선이 빈번히 사용된다. 그러나 이동식 X선의 영상 품질은 표준 성인 또는 소아 X선에 비해 현저히 낮아, 이상 소견을 식별하는 데 상당한 어려움이 발생한다. 영상 품질 문제를 해결하기 위해 딥러닝을 도입하려는 시도가 있었음에도 불구하고, 영상 자체의 저품질은 딥러닝 모델의 학습을 저해하여, 영상 향상의 필요성을 더욱 강조한다. 또한 신생아는 세포 분열 속도가 높고 방사선에 매우 민감하므로, 영상 품질을 개선하기 위해 방사선 노출량을 증가시키는 것은 실행 가능한 해결책이 아니다. 따라서 딥러닝 모델을 학습하기 전에 전처리를 통해 영상 품질을 향상시키는 것이 중요하다. 다양한 영상 향상 방법이 제안되어 왔지만, Contrast Limited Adaptive Histogram Equalization (CLAHE)은 대비 기반 영상 개선에 효과적인 기법으로 알려져 있다. 그러나 광범위한 연구에도 불구하고, CLAHE의 하이퍼파라미터를 설정하는 과정은 여전히 무차별적인 방식의 수동 접근에 의존하고 있어 비효율적이다. 이러한 문제를 해결하기 위해, 우리는 BO-CLAHE(Bayesian Optimization CLAHE)라는 방법을 제안하며, 이는 베이지안 최적화를 활용하여 미숙아 및 고위험 신생아에서 폐 질환을 진단하는 데 사용되는 X선 영상의 최적 하이퍼파라미터를 자동으로 선택한다. BO-CLAHE로 향상된 영상은 여러 분류 모델에서 우수한 성능을 보였고, 특히 신생아 일과성 빈호흡(Transient Tachypnea of the Newborn, TTN)의 진단에서 현저한 개선이 관찰되었다. 이 접근법은 방사선 노출을 감소시킬 뿐 아니라, AI 기반 진단 도구의 개발에도 기여함으로써 미숙아 및 고위험 신생아의 조기 진단과 치료에 중요한 역할을 한다.

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