Core Concepts
의료 영상 분석을 위한 딥러닝 모델은 데이터셋 편향을 이용하여 높은 성능을 달성할 수 있지만, 일반화 능력이 떨어지는 문제가 있다. 이 연구에서는 다중 인스턴스 학습(MIL) 프레임워크를 활용하여 모델이 이미지의 일부 핵심 패치만을 사용하도록 하여 이 문제를 해결하고자 한다.
Abstract
이 논문은 의료 영상 분석을 위한 딥러닝 모델의 한계를 지적하고, 다중 인스턴스 학습(MIL) 프레임워크를 활용하여 이를 해결하고자 한다.
먼저, 딥러닝 모델은 데이터셋 편향을 이용하여 높은 성능을 달성할 수 있지만, 일반화 능력이 떨어지는 문제가 있다. 이는 모델이 전체 이미지의 정보를 사용하여 분류를 수행하기 때문이다.
이에 저자들은 MIL 프레임워크를 제안한다. MIL에서는 이미지를 '가방'으로, 각 패치를 '인스턴스'로 간주한다. 모델은 '핵심 인스턴스'의 존재 여부에 따라 전체 이미지를 분류한다. 이를 통해 모델이 이미지의 일부 핵심 패치만을 사용하도록 강제할 수 있다.
저자들은 MIL 프레임워크를 CNN과 ViT 기반 모델에 통합하여 평가했다. 실험 결과, MIL 모델은 기존 모델과 유사한 성능을 보이면서도 데이터셋 편향에 더 강건한 것으로 나타났다. 또한 MIL 모델은 분류 과정에서 사용한 핵심 패치를 시각화할 수 있어 모델의 의사결정 과정을 설명할 수 있다.
이 연구는 MIL 프레임워크를 활용하여 의료 영상 분석 모델의 일반화 능력과 설명 가능성을 향상시킬 수 있음을 보여준다.
Stats
피부암 진단 실험에서 MIL-EN-B3 모델은 HIBA 데이터셋에서 기준 모델 대비 3.6% 더 높은 균형 정확도를 달성했다.
유방암 진단 실험에서 MIL 모델은 기준 모델과 유사한 성능을 보였다.
Quotes
"딥러닝 모델은 데이터셋 편향을 이용하여 높은 성능을 달성할 수 있지만, 일반화 능력이 떨어지는 문제가 있다."
"MIL 프레임워크를 활용하면 모델이 이미지의 일부 핵심 패치만을 사용하도록 강제할 수 있다."