흉부엑스선 질환 분류를 위한 전이학습과 메타러닝의 비교 분석

Abstract

본연구는의료영상인식에서데이터부족문제를해결하기위해 Transfer Learning과Meta-Learning방법을실험하고그성능을비교분석하는것을목표 로한다.흉부방사선촬영(Chest X-ray, CXR)은폐렴,폐암,결핵과같은다양한 흉부질환의진단에가장일반적으로사용되는진단도구중하나로,광범위한 접근성과 비교적 낮은 비용으로 인해 흉부 질환을 진단하는데 핵심적인 역할 을한다.그러나흉부질환은차이가미묘하고특정질환의경우사례수가적어 정확한진단이어려운문제를안고있다.따라서,본연구에서는흉부X-ray데이 터셋을 활용하여 Transfer Learning과 Meta-Learning을 적용한 흉부 질환 진단 모델을개발하고,그유효성을평가하였다. 실험 결과, 대부분의 질환에서 Transfer Learning이 Meta-Learning보다 우 수한 성능을 보였으나, Emphysema, Hernia, Pneumonia에서는 1-shot 학습 시 Meta-Learning이, Hernia에서는 5-shot학습시Meta-Learning이더나은성능을 보였다.이는매우제한된데이터상황에서는 Meta-Learning이효과적일수있 지만,충분한데이터가있는경우 Transfer Learning이더효율적임을시사한다. 또한, Meta-Learning의성능은학습시 few-shot샘플수가증가할수록저하되는 경향을 보였지만, 테스트 시에는 샘플 수가 증가할수록 성능이 향상되는 결과 를 보였다. Meta Learning 알고리즘인 MAML과 FOMAML, Reptile간의 성능 을비교한결과,각질환별로최적의성능을보이는알고리즘이다르다는것을 확인하였다. 이는 질환별 특성에 따라 적절한 Meta-Learning 알고리즘을 선택 하는것이중요함을의미한다. Transfer Learning알고리즘에서는 linear probing 과 full fine-tuning각각이성능에미치는영향이명확치않아,각질환별데이터 수와특성이모델성능에큰영향을미친다는것을알수있었다. 결론적으로, 대부분의 질환에서 Transfer Learning이 더 우수하였으나, 데 이터가 매우 적은 소수 질환에서는 Meta-Learning이 유용할 수 있음을 확인하 였다.본연구결과는의료데이터뿐만아니라데이터수집이어렵거나비용이 높은 다양한 도메인에서 Meta-Learning을 적용하는 데 있어 중요한 기술적 근 거로 활용될 수 있을 것이다. 또한, 딥러닝 기술을 활용하여 의료 영상 분석의 정확도를높이고,실제의료현장에서의적용가능성을높이는데기여할수있 을 것으로 기대된다. 향후 더 큰 규모의 데이터셋과 다양한 의료 진단 과제에 대한추가실험을통해제안방법의효용성을입증한다면,실제의료현장에서 인공지능기술의활용가능성을크게높일수있을것으로기대된다. 주제어:흉부방사선촬영,딥러닝, Transfer Learning, Meta-Learning, Few- Shot Learning,의료영상분석