진단을 돕기 위한 의료 데이터 및 영상의 자동 분석은 최근 딥러닝 적용 분야에서 주요한 연구 영역이 되었다. 일반적으로 딥러닝 기법은 모델 훈련을 위한 충분히 큰 규모의 고품질 데이터셋이 이용 가능할 때 효과적일 수 있다. 따라서, 적절한 수의 잘 주석된 고품질 훈련 샘플을 확보하는 데 상당한 비용과 노력이 필요하다는 점에서, 특히 의료 영상 분석 분야에서는 샘플 효율적인 학습 기법에 대한 필요성이 제기된다. 본 논문에서는 샘플 부족 하에서의 딥 신경망 훈련 문제를 다루기 위해 여러 샘플 효율적인 딥러닝 기법을 조사한다. 우리는 이러한 기법을 피부 화상 이미지 분석 및 분류에 적용하는 데에 초점을 둔다. 먼저 피부 화상 영상에 대한 대규모의 전문적으로 주석된 데이터셋을 구축하여, 화상 중증도 평가를 위한 정밀한 성능의 합성곱 신경망(CNN) 모델 수립을 가능하게 한다. 그 다음 데이터 제한 조건을 의도적으로 설정하고, 전이 학습(TL), 자기지도 학습(SSL), 연합 학습(FL), 생성적 적대 신경망(GAN) 기반 데이터 증강과 같은 몇 가지 샘플 효율적인 기법을 해당 조건에 맞게 적용한다. 포괄적인 실험을 통해 화상 중증도 평가에서의 샘플 효율적인 딥러닝 기법을 평가하였으며, 특히 작은 과제-특화 데이터셋에서 학습한 SSL 모델이 여섯 배 더 큰 데이터셋에서 학습한 기준 모델과 비교 가능한 정확도를 달성할 수 있음을 보인다. 또한 딥러닝 모델이 채택되는 의료 및 보건 분야에서 흔히 발생하는 서로 다른 데이터 제한 조건 하에서 FL 및 GAN이 모델 훈련에 적용 가능함을 함께 입증한다.

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