3D 신경영상 분류를 위한 다중 데이터셋 기반 다중 인스턴스 학습 벤치마크

요약

본 논문은 3D 신경영상(CT 및 MRI) 분류를 위해 다양한 다중 인스턴스 학습(MIL) 방법론과 3D CNN/ViT 모델을 비교하는 벤치마크 연구입니다. 특히, 대규모 데이터셋에서 단순한 평균 풀링 기반의 MIL이 기존 복잡한 접근법들과 유사하거나 더 나은 성능을 보이며, 교육 속도 면에서도 압도적인 효율성을 가짐을 입증했습니다. 이 연구는 실무자들이 리소스 제약 하에 3D 의료 영상 분석에 가장 적합한 신경망 아키텍처를 이해하는 데 도움을 주는 것을 목표로 합니다.

핵심 포인트

• 단순 평균 풀링 기반의 MIL이 복잡한 주의 메커니즘이나 3D CNN/ViT와 비교하여 높은 성능과 효율성을 보임.
• 본 연구는 CT 및 MRI 등 대규모 의료 영상 데이터셋에 걸쳐 다양한 모델(MIL, 3D CNN, 3D ViT)을 체계적으로 비교하는 벤치마크를 제공함.
• 단순한 MIL 접근법의 성공은 슬라이스별 주의 품질과 베이즈 추정량 분석을 통해 그 원인을 탐구할 수 있음을 시사하며, 기존 방법론의 한계를 제시함.
• 본 연구는 실무자(practitioners)가 리소스 제약 하에 최적의 3D 의료 영상 분류 모델을 선택하는 데 필요한 지침을 제공함을 목표로 함.