U-Net과 ResNet50V2를 활용한 유방 초음파 병변 분할 모델 개발

실용적 조언

의료 영상 분할 프로젝트 시 데이터 불균형이 심하다면 Focal Tversky Loss 도입을 고려할 것
모델 성능 검증을 위해 단순 정확도보다는 Dice Score나 IoU 지표를 우선적으로 사용할 것

섹션별 상세

작성자는 병변 분할을 위해 U-Net 아키텍처의 인코더 부분에 ResNet50V2를 결합했다. 사전 학습된 가중치를 활용하는 전이 학습 방식과 U-Net의 특징 추출 능력을 결합하여 초음파 영상의 복잡한 패턴을 학습하도록 설계했다. GitHub 저장소에 공개된 코드를 통해 모델의 레이어 구성과 파라미터를 직접 확인할 수 있다. 의료 영상의 특성상 데이터가 제한적인 점을 고려하여 데이터 증강 기법을 적용했다.

손실 함수로는 Binary Cross Entropy(BCE)와 Focal Tversky Loss를 혼합하여 사용했다. 이는 배경 대비 병변 영역이 좁은 데이터셋의 클래스 불균형 문제를 해결하고 정밀도와 재현율 사이의 균형을 맞추기 위한 선택이다. 실제 학습 과정에서 Dice Score를 주요 평가 지표로 활용하여 분할 성능을 정량적으로 측정했다.

모델의 실용성을 테스트하기 위해 Gradio 라이브러리를 활용한 웹 인터페이스를 구축했다. 사용자가 초음파 이미지를 업로드하면 모델이 병변 영역을 분할하고 이를 원본 이미지 위에 오버레이하여 시각화된 결과를 출력한다. 진단 목적이 아닌 의료진의 관심 영역 식별 보조 도구로서의 활용 가능성을 제시했다.

용어 해설

U-Net: — 의료 영상 분할을 위해 설계된 합성곱 신경망 구조이다. 수축 경로와 확장 경로가 대칭을 이루어 픽셀 단위의 정밀한 위치 정보와 문맥 정보를 동시에 캡처하는 데 최적화되어 있다.
포컬 트버스키 손실(Focal Tversky Loss): — 데이터 불균형이 심한 영상 분할 작업에서 작은 객체 검출 성능을 높이기 위한 손실 함수이다. 오탐과 미탐 사이의 가중치를 조절하고 어려운 샘플에 더 집중하도록 설계되었다.
다이스 계수(Dice Score): — 두 영역의 겹치는 정도를 측정하여 영상 분할 모델의 성능을 평가하는 지표이다. 0과 1 사이의 값을 가지며 1에 가까울수록 정답 마스크와 예측 결과가 일치함을 의미한다.

언급된 도구

U-Net추천

영상 분할 아키텍처

ResNet50V2추천

특징 추출 백본 네트워크

Gradio추천

모델 테스트용 웹 인터페이스 구축

언급된 리소스

GitHubBUSI-Segmentation GitHub Repository