전이 학습 (Transfer Learning)을 이용한 계산 효율적인 CNN 기반의 다중 암 탐지

본 연구는 생물 의학 이미지 (Biomedical images)를 활용한 다중 암 탐지를 위해 전이 학습 (Transfer learning)으로 강화된 계산 효율적인 합성곱 신경망 (CNN) 구조를 소개합니다. 제안된 경량 CNN 모델은 높은 분류 성능을 유지하면서 계산 복잡성을 줄이도록 설계되어, 자원이 제한된 환경에서의 배포에 적합합니다. 우리는 뇌 자기공명영상 (MRI) 및 폐와 신장의 컴퓨터 단층촬영 (CT) 스캔으로 구성된 세 가지 별도의 종양 데이터셋에서 이 접근 방식을 평가합니다. 5-겹 층화 교차 검증 (5-fold stratified CV)을 사용했을 때, 모델은 뇌, 폐, 신장 암 분류에서 각각 90.85 ± 2.22%, 98.64 ± 2.43%, 99.92 ± 0.08%의 테스트 정확도를 달성했습니다. 전이 학습은 한 가지 암 유형에 대해 모델을 사전 학습 (Pretraining)하고 다른 유형에 대해 미세 조정 (Fine-tuning)하는 방식으로 채택되었으며, 처음부터 학습된 모델과 대등한 성능을 달성하는 데 단 20 에포크 (Epochs)의 추가 학습만을 필요로 했습니다. 미세 조정 과정은 CNN의 분류 부분을 업데이트하는 것을 포함하며, NVIDIA GeForce GTX 960을 사용하여 이미지당 에포크당 약 0.014초가 소요됩니다. 비교 평가 결과, 제안된 모델은 Xception, VGG16, VGG19, MobileNetV2 및 DenseNet121과 같은 여러 최첨단 (State-of-the-art) 사전 학습된 아키텍처보다 뛰어난 성능을 보였습니다. 전반적으로, 이 모델의 효과는 서로 다른 형태학적 특성을 가진 세 가지 유형의 암에 대해 평가되었으며, MRI와 CT 영상 양식 (Modalities) 모두에서 성능을 검증하여 다양한 작업과 데이터 유형에 걸쳐 견고한 성능을 입증했습니다. 이러한 결과는 특히 계산 자원이 제한된 환경에서 정확도를 희생하지 않으면서 암 진단을 가속화하는 데 있어 간소화된 딥러닝 (DL) 프레임워크의 잠재력을 강조합니다.