종양 분할 및 질병 분류를 위한 자동 분석은 의료 영상에서 흔히 나타나는 잡음, 낮은 대비, 그리고 모호성으로 인해 방해를 받는다. 본 연구는 퍼지 엔트로피(fuzzy entropy), 퍼지 표준편차(fuzzy standard deviation), 히스토그램 분산(histogram spread) 함수를 활용하는 새로운 12단계 퍼지 기반 개선 파이프라인을 제안한다. 이 파이프라인은 각 데이터셋에 대해 세 가지 개선된 버전을 생성하며, BRISQUE 점수를 28.8에서 21.7로 낮춘다(KiTS19). 또한 30.3에서 23.4로 낮춘다(BraTS2020), 26.8에서 22.1로 낮춘다(Chest X-ray). 이 파이프라인은 KiTS19(CT)에서 신장 종양 분할, BraTS2020(MRI)에서 뇌 종양 분할, 그리고 Chest X-ray Pneumonia에서 분류를 위해 시험한다. 연결 컨캣네이션드 CNN(Concatenated CNN, CCNN)은 개선된 데이터셋을 사용하여 KiTS19에서 Dice 계수 99.60%(기준 대비 +2.40%), KiTS19에서 분할 정확도 0.983 및 BraTS2020에서 0.981을 달성하며, CLAHE에 비해 각각 0.959 및 0.943이다. 또한 Chest X-ray에서 분류 정확도는 0.974로 CLAHE의 0.917보다 높다. 고전적 CNN은 원본 데이터셋과 CLAHE 필터링된 데이터셋으로 각각 학습한다. 이러한 결과는 본 파이프라인이 영상 품질을 개선하고 분할/분류 정확도를 향상시키는 데 얼마나 효과적인지를 보여주며, 임상 진단을 위한 확장 가능하고 해석 가능한 기반을 제공한다.

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