Attention UNet 모델을 활용한 유방 초음파 영상 분할: IoU 기반 학습 및 AUC, MSE 평가

• 영문명: Breast Ultrasound Image Segmentation Using Attention UNet: IoU-Based Training and Evaluation with AUC and MSE Metrics
• 발행기관: 대한방사선과학회(구 대한방사선기술학회)
• 저자명: 신민준(Min-Jun Shin) 안현(Hyun An)
• 간행물 정보: 『방사선기술과학』제47권 제6호, 461~469쪽, 전체 9쪽
• 주제분류: 의약학 > 방사선과학
• 파일형태: PDF
• 발행일자: 2024.12.31

국문 초록

본 연구는 유방 초음파 이미지에서 병변을 효과적으로 분할하는지 확인하기 위해 딥러닝 모델을 개발하고, 여러 관점에서 성능을 평가하였다. 모델은 기존의 UNet 모델에 주의 메커니즘(Attention Mechanism)을 통합하여 이미지에서 중요한 특징을 강조하고 불필요한 정보를 억제함으로써 분할 성능을 향상시켰다. 600명 이상의 여성 환자로부터 수집한 총 780개의 유방 초음파 이미지를 학습 데이터로 사용하였으며, 데이터 증강 기법을 통해 모델의 일반화 성능을 개선하였다. 모델은 총 322 에포크 동안 학습되었으며 다양한 성능 지표를 바탕으로 평가하였다. 주요 성능 지표로는 교차 비율(IoU) 0.826, 곡선 아래 면적(AUC) 0.95, 평균 제곱 오차(MSE) 0.0357을 기록하며, 모델이 병변 분할과 양성 및 악성 병변 간의 구별에서 우수한 성능을 나타냈다. 또한, 정밀도(93.2%), 재현율(92.17%), F1 Score (0.9268) 역시 모델이 병변 감지 및 분할에서 높은 정확도와 일관성을 유지했음을 확인하였다. 그러나 검증 데이터에 대한 성능은 IoU 0.5695로 감소하여 과적합의 잠재적 위험과 모델의 일반화 능력에 한계가 있음을 나타냈다. 다양한 데이터셋을 통한 추가 검증과 모델 구조의 최적화를 통해 성능을 더욱 개선할 수 있을 것으로 기대된다. 제안된 모델은 임상 진단 환경에서 임상의의 진단을 보조하는 도구로서 유의미한 가능성을 지니고 있으며, 유방암 조기 발견에 중요한 역할을 할 수 있을 것으로 보인다.

영문 초록

This study developed a deep learning model to effectively segment lesions in breast ultrasound images and evaluated its performance from various perspectives. The model enhanced segmentation performance by incorporating an Attention Mechanism into the existing UNet model, which emphasizes important features in the images while suppressing irrelevant information. A total of 780 breast ultrasound images collected from over 600 female patients were used as training data, and data augmentation techniques were employed to improve the model's generalization performance. The model was trained for 322 epochs and evaluated based on various performance metrics. The main performance metrics achieved were an Intersection over Union (IoU) of 0.826, an Area Under the Curve (AUC) of 0.95, and a Mean Squared Error (MSE) of 0.0357, indicating that the model demonstrated excellent performance in both lesion segmentation and differentiation between benign and malignant findings. Additionally, the precision (93.2%), recall (92.17%), and F1 score (0.9268) further confirmed that the model maintained high accuracy and consistency in detecting and segmenting lesions. However, the performance on the vali- dation data decreased, with an IoU of 0.5695, suggesting a potential risk of overfitting and indicating limitations in the model's generalization capability. Further improvements in performance are expected through additional validation using diverse datasets and optimization of the model structure. The proposed model holds significant potential as a tool to assist clinicians in diagnostic settings and may play a crucial role in the early detection of breast cancer.

목차

Ⅰ. 서 론

Ⅱ. 대상 및 방법

Ⅲ. 결 과

Ⅳ. 고 찰

Ⅴ. 결 론

REFERENCES

키워드

병변 분할 유방 초음파 Unet Attention Mechanism IoU Lesion Segmentation MSE Breast Ultrasound