Breast Abnormality Classification in Resource-Constrained Settings Through GAN Generated Synthetic Mammography Patches

기술 요약: 자원 제한적 환경에서 GAN 생성 합성 유방 촬영 패치를 통한 유방 이상 분류

문제 정의
의료 영상, 특히 유방 촬영술을 통한 유방암 진단을 위한 딥러닝(DL) 모델 개발은 데이터 부족과 자원 제한이라는 두 가지 주요 제약에 의해 빈번히 저해됩니다. 유방암 데이터셋은 심각한 클래스 불균형을 보이는 경우가 많으며, 이상 사례는 스크리닝 검사의 약 0.5%만을 차지하여, 불충분한 데이터로 학습된 모델은 높은 위양성 및 위음성률을 초래합니다. 또한, 환자 식별 정보(PII) 보호는 대규모 공개 데이터셋의 공개를 제한하며, 생성 모델을 학습시키는 데 드는 계산 비용은 자원이 제한된 환경의 역량을 초과하는 경우가 많습니다.

방법론
본 연구는 이상 탐지를 위한 이진 분류기를 학습시키기 위해 저사양 Generative Adversile Network (GAN)를 사용하여 합성 유방 촬영 패치를 생성하는 파이프라인을 제안합니다. 워크플로우는 다음 두 단계로 구성됩니다:

1. 합성 이미지 생성 (CUT-GAN):

   • 모델: 본 연구는 낮은 GPU 메모리 소비량과 고품질 이미지 생성 능력을 갖춘 Contrastive Unpaired Translation GAN (CUT-GAN)을 활용합니다.
   • 데이터 소스: 연구는 340만 장의 유방 촬영 이미지를 제공하는 Emory Breast Imaging Dataset (EMBED)을 활용했습니다. 패치는 학습을 위해 코호트 1~8에서 추출되었습니다. 양성 패치(영상의학과 전문의가 주석을 달은 BI-RADS 0의 관심 영역)는 합성 이상 패치로 변환되었으며, 음성 패치는 주석이 없는 영역 또는 BI-RADS 1/2 이미지에서 가져왔습니다.
   • 전처리: 학습 안정성을 보장하기 위해, 낮은 픽셀 색상 수(배경 공기 또는 빈 패치를 나타냄)를 가진 패치는 필터링하여 제거했습니다.
   • 하이퍼파라미터 최적화: 모델은 ADAM 옵티마이저, 학습률 0.0002, 배치 크기 8, 400 에포크를 사용하여 학습되었습니다. 이 설정은 노이즈 아티팩트나 빈 패치와 같은 "학습 실패"를 방지하기 위해 결정되었습니다.
   • 후처리: CUT-GAN은 RGB 이미지를 생성하지만 유방 촬영술은 그레이스케일이므로, 합성 이미지를 그레이스케일로 변환했습니다. 결정적으로, 합성 이미지의 밝기와 대비 분포를 실제 유방 촬영 패치와 일치시키기 위해 윈도우 레벨 조정을 적용했습니다. Student's t-검정 결과, 조정된 합성 분포는 실제 이미지와 통계적으로 구별할 수 없음을 확인했습니다 (P-value > 0.05).

2. 모델 학습 및 검증:

   • 분류기: ImageNet으로 사전 학습된 Residual Neural Networks (ResNet50, ResNet101, ResNet152)가 사용되었습니다.
   • 아키텍처: 동결된 사전 학습 가중치에 5개의 추가 학습 가능한 층을 추가했습니다. 입력층은 256x256 픽셀 패치를 처리하며, ReLU 활성화 함수, 평균 풀링(average pooling), 그리고 이진 분류를 위한 시그모이드 출력을 활용합니다.
   • 검증: 합성 데이터셋으로 학습된 모델은 EMBED 코호트 9와 10에서 추출한 실제 유방 촬영 패치(총 13,220개 패치)를 통해 검증되었습니다. 성능은 95% 신뢰 구간을 추정하기 위해 500회의 반복 부트스트래핑을 통해 평가되었습니다.

주요 결과
본 연구는 합성 데이터로 학습된 모델을 실제 데이터로 학습된 모델과 비교했습니다:

• 성능 격차: 실제 유방 촬영 패치로 학습된 모델은 약 0.91–0.92의 AUC를 달성하며 우수한 전반적 성능을 보였습니다. 반면, 합성 패치로 학습된 모델은 더 낮은 AUC를 기록했으며, ResNet152는 0.751 (0.742–0.759)에 도달했습니다.
• 지표 트레이드오프: 합성 데이터로 학습된 모델은 실제 데이터 모델에 비해 정확도(0.61–0.67)와 정밀도(0.44–0.50)가 현저히 낮았습니다. 그러나 재현율(ResNet152 기준 0.80–0.81)은 눈에 띄게 높았는데, 이는 높은 민감도와 낮은 특이도(높은 위양성률)를 갖는 경향을 시사합니다.
• 자원 효율성: CUT-GAN 모델은 전체 24 GB 용량의 시스템에서 단 3 GB의 GPU 메모리만을 사용하여 성공적으로 학습되었으며, 이는 24 GB 이상의 메모리를 흔히 요구하는 확산 모델(diffusion models)과 같은 다른 생성 모델과 비교했을 때 상당한 감소입니다.

의의 및 주장
저자들은 본 연구가 자원이 제한된 환경에서 딥러닝 모델 학습을 위한 합성 의료 데이터를 생성하기 위해 저사양 GAN을 사용하는 것이 실현 가능하다는 것을 보여준다고 주장합니다. 본 연구는 세 가지 기여를 강조합니다:

1. 프라이버시 보존: 합성 패치는 환자 식별 정보를 드러내지 않으면서 실제 유방 촬영 데이터의 구조적, 질감적 특성을 보존하므로, 데이터 공유 및 모델 학습을 위한 안전한 대안을 제공합니다.
2. 클래스 불균형 완화: 이 접근 방식은 과소 대표된 클래스(이상 사례)를 위한 합성 샘 샘플을 생성하는 메커니즘을 제공하여, 유방암 스크리닝에 내재된 데이터 희소성 문제를 해결합니다.
3. 접근성: CUT-GAN을 활용함으로써, 본 방법은 제한된 컴퓨팅 인프라를 가진 연구자들이 합성 데이터 증강을 활용할 수 있게 합니다.

본 논문은 합성 학습 모델이 아직 실제 데이터로 학습된 모델의 정확도를 따라잡지는 못했지만, 프라이버시나 자원 제약으로 인해 대규모 실제 데이터를 사용할 수 없는 시나리오에서 실제 패치의 대체제로서 잠재력이 있음을 결론짓습니다. 저자들은 생성 파이프라인을 최적화하고 다양한 데이터셋에 대한 모델의 일반화 능력을 향상시키기 위해 추가적인 연구가 필요함을 강조합니다.