⚡ electrical engineering

EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters

본 논문은 증강된 S-파라미터 응답을 CWT 모를렛(Morlet) 스케로그램으로 변환하고 EfficientNet-B5 분류기를 미세 조정함으로써, 마이크로파 유방 영상의 데이터 부족 문제를 극복하기 위한 에너지 가이드 신호 수준 증강 방법을 제안하며, 이를 통해 양성 및 악성 종양 분류에서 94.7%의 정확도를 달성하였다.

원저자: Avik Majumder, Edison Kho, Banani Basu, Arnab Nandi

게시일 2026-08-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Avik Majumder, Edison Kho, Banani Basu, Arnab Nandi

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

유방암은 전 세계 여성들에게 여전히 가장 중대한 건강 과제로 남아 있으며, 이를 조기에 발견하는 것은 종종 삶과 죽음을 가르는 결정적인 차이가 됩니다. 수십 년 동안 의사들은 엑스레이를 사용하는 매모그래피나 음파를 사용하는 초음파와 같은 도구에 의존하여 유방 내부를 관찰해 왔습니다. 이러한 방법들은 효과적이긴 하지만 단점도 있습니다. 엑스레이는 방사선 노출을 동반하며 유방을 평평하게 압착해야 하기 때문에 불편함을 줄 수 있고, 초음파 결과는 기술자의 숙련도에 따라 달라질 수 있습니다. 최근 몇 년 동안 과학자들은 다른 종류의 파동인 마이크로파에 주목했습니다. 엑스레이와 달리 마이크로파는 비이온화 방사선의 일종으로, DNA를 손상시킬 위험이 없으며 유방을 압착할 필요도 없습니다. 이 기술은 암 조직이 이러한 파동에 맞았을 때 건강한 조직과는 다르게 반응한다는 점을 이용합니다. 종양은 에너지를 독특한 방식으로 흡수하고 반사합니다. 그러나 컴퓨터가 이러한 미묘한 차이를 인식하도록 가르치는 것은 어려웠는데, 학습할 수 있는 유방 종양의 실제 마이크로파 신호 사례가 매우 적었기 때문입니다.

인도 국립기술연구소(National Institute of Technology Silchar)의 연구진은 이 데이터 부족 문제를 해결하여, 강력한 컴퓨터 프로그램이 마이크로파 신호를 사용하여 양성 및 악성 유방 종양을 구별할 수 있도록 하는 새로운 방법을 개발했습니다. 연구진은 더 많은 환자를 찾거나 더 비싼 장비를 구축하는 대신, 기존 데이터를 지능적으로 증폭시키는 방법을 고안했습니다. 그들은 실제 조직의 전기적 특성을 모방하도록 설계된 인간의 유방 모델인 '팬텀(phantom)'에 마이크로파 신호가 어떻게 반사되고 통과하는지를 측정하는 것으로 시작했습니다. 이 모델에는 건강한 조직과 모사된 종양(양성 및 악성 포함)이 포함되었습니다. 두 개의 작은 안테나를 사용하여 연구진은 모델 주변을 이동하는 신호를 기록했으며, 이를 통해 유방 내부 구조의 독특한 '지문'을 나타내는 수천 개의 데이터 포인트를 포착했습니다.

문제는 이러한 원시 신호가 정교한 컴퓨터 시스템을 효과적으로 교육하기에는 너무 적다는 것이었습니다. 만약 연구진이 단순히 데이터를 복사하거나 무작위로 변경했다면, 컴퓨터는 잘못된 패턴을 학습하거나 종양을 나타내는 미묘한 단서를 놓쳤을 것입니다. 이를 해결하기 위해 연구진은 신호 내의 에너지에 기반한 전략을 고안했습니다. 그들은 모든 신호 부분이 똑같이 중요한 것이 아니라는 점을 깨달았습니다. 어떤 구간은 종양에 대한 가장 강력한 정보를 담고 있는 반면, 다른 구간은 그저 배경 소음에 불과했습니다. 연구진은 신호를 단순히 동일한 시간 단위로 자르는 대신, 각 부분이 보유한 에너지 양에 따라 조각냈습니다. 그런 다음, 동일한 유형의 서로 다른 신호에서 가장 정보가 풍부한 조각들을 정교하게 이어 붙였습니다. 즉, 양성 조각은 다른 양성 조각과, 악성은 악성끼리 섞은 것입니다. 또한 새로운 신호가 부자연스럽거나 튀지 않도록 조각들 사이의 연결 부위를 매끄럽게 다듬었습니다. 이 과정은 적은 양의 원래 데이터로부터 수천 개의 새로운, 현실적인 훈련 예시를 만들어냈으며, 가짜 데이터를 생성하지 않고도 컴퓨터가 무엇을 찾아야 하는지 효과적으로 가르쳐 주었습니다.

이렇게 확장된 신호 라이브러리를 확보한 후, 연구진은 컴퓨터가 쉽게 이해할 수 있는 이미지로 변환했습니다. 그들은 원시 파동 데이터를 '스켈로그램(scalogram)'이라 불리는 시각적 지도로 변환했는데, 이는 마치 악보가 음표의 변화를 보여주는 것처럼 시간에 따른 신호의 주파수와 강도 변화를 보여줍니다. 이 이미지들은 이미지 속의 패턴을 인식하도록 설계된 인공지능의 일종인 딥 러닝 모델에 입력되었습니다. 연구진은 여러 가지 모델을 테스트했으나, 'EfficientNet-B5'로 알려진 특정 구조가 가장 우수한 성능을 보인다는 것을 발견했습니다. 이 모델은 마이크로파 이미지에서 양성 성장을 악성 성장과 구별해 주는 복잡한 시각적 패턴을 학습할 수 있었습니다.

이 접근 방식의 결과는 인상적이었습니다. 한 번도 본 적 없는 데이터로 테스트했을 때, 이 시스템은 거의 95%의 사례에서 종양의 유형을 정확히 식별해 냈습니다. 이 정확도는 동일한 연구에서 테스트된 다른 인기 있는 컴퓨터 모델들보다 높았으며, 초음파나 열 카메라와 같은 다른 영상 기법을 사용한 최근의 여러 연구보다도 뛰어난 성과를 보였습니다. 연구진은 또한 데이터를 여러 방식으로 나누어 반복 테스트함으로써 시스템의 안정성을 확인했으며, 결과는 일관되게 높았고 변동 폭도 매우 작았습니다. 연구진은 에너지 기반의 데이터 확장법을 더 많이 사용할수록, 즉 특정 지점에 도달하여 추가적인 데이터가 한계 효용을 보일 때까지는 컴퓨터가 더 정확한 판단을 내린다는 것을 발견했습니다.

이 연구는 마이크로파 이미징이 스마트한 데이터 기술과 결там될 때, 유방암 검진을 위한 실행 가능하고 편안하며 안전한 대안이 될 수 있음을 시사합니다. 이 방법은 환자를 방사선에 노출시키거나 물리적 압박을 가할 필요가 없으므로, 잠재적으로 더 환자 친화적인 옵션이 될 수 있습니다. 비록 이번 연구가 실제 환자가 아닌 유방 모델을 대상으로 수행되었지만, 통제된 실험에서 달성한 높은 수준의 정확도는 향후 발전을 위한 강력한 토대를 제공합니다. 연구진은 신호의 물리학을 이해하고 그 지식을 활용해 더 나은 훈련 데이터를 생성함으로써, 작은 데이터셋의 한계를 극복하고 신뢰할 수 있는 조기 암 진단 도구를 구축하는 것이 가능하다는 것을 입증했습니다.

기술 요약: CWT Morlet 스케로그램 이미지를 이용한 EfficientNet-B5 기반 유방 종양 분류

문제 정의
마이크로파 유방 영상(MBI)은 건강한 조직과 악성 조직 사이의 유전율 차이를 활용하여 비이온화, 비압축적인 유방 종양 검출 대안을 제공한다. 그러나 딥러닝을 이 분야에 적용하는 데 있어 실험적으로 측정된 샘플의 부족이 큰 걸림돌이 되고 있다. 마이크로파 데이터를 획득하려면 시간 소모적인 유방 팬텀 제작과 광범위한 스캐닝 절차가 필요하다. 결과적으로, 이러한 제한된 데이터셋으로 학습된 딥러닝 모델은 과적합(overfitting) 및 일반화 성능 저하 문제에 취약하다. 또한, 컴퓨터 비전에서 사용되는 표준 데이터 증강 기법(예: 회전, 뒤집기)이나 일반적인 신호 처리 기법(예: 무작위 분할)은 마이크로파 S-파라미터에 부적합할 수 있는데, 이는 물리적 의미를 가진 시계열-주파수 데이터를 왜곡하거나 인위적인 위상 불연속성을 유발할 수 있기 때문이다.

방법론
제안된 프레임워크는 물리 기반 데이터 증강 전략과 딥러닝 분류 파이프라인을 통해 이러한 한계를 해결한다:

데이터 획득 및 전처리:
- 하드웨어: 5.691 GHz에서 작동하는 컴팩트한 UWB 마이크로스트립 안테나 쌍을 설계하여 반사( $S_{11}$ ) 및 투과( $S_{21}$ ) 파라미터를 반구형 유방 팬텀으로부터 측정하였다. 팬텀은 Cole-Cole 분산 관계를 사용하여 인간의 피부, 지방, 유선 조직 및 종양(양성 및 악성)의 유전 특성(전도도 및 유전율)을 모사한다.
- 측정: 신호는 2–12 GHz 주파수 범위에서 포착되었으며, 안테나 쌍을 팬텀 주변으로 1°씩 회전시켜 각 클래스(양성, 악성, 정상)당 360쌍의 S-파라미터를 얻었다.
- 신호 처리: 주파수 영역의 응답은 유리 적합(rational fitting) 모델을 거쳐 시간 영역으로 변환된 후 역 푸리에 변환(inverse Fourier transform)이 수행되었다. 원치 않는 반사를 억제하기 위해 클러터 제거 절차(종양이 없는 응답을 빼고 배경 항을 평균화함)가 적용되었다. 마지막으로, 신호 엔벨로프와 스펙트럼 특성을 보존하면서 노이즈를 줄이는 데 가장 효과적인 방법으로 웨이브렛 기반 디노이징(db4 웨이브렛, 레벨-6 소프트 임계값 처리)이 확인되었다.
에너지 가이드 신호 증강 (Energy-Guided Signal Augmentation):
- 물리적 제약을 위반하지 않으면서 제한된 데이터셋을 확장하기 위해, 저자들은 에너지 가이드 분할 방법을 제안하였다. 동일한 길이의 분할 방식과 달리, 신호를 거의 동일한 양의 전자기 에너지를 포함하는 세그먼트로 나누었다.
- 종양 영역으로부터의 강력한 산란 정보를 포함하는 고에너지 세그먼트를 선택하고 이를 재조합하여 새로운 합성 신호를 생성하였다.
- 세그먼트 경계에서의 인위적인 불연속성을 최소ize하기 위해 매끄러운 전이(보간 및 크로스페이딩)를 적용하였다. 이 과정을 통해 $S_{11}$ 과 $S_{21}$ 모두에 대해 클래스당 3,600개의 증강된 샘플을 생성하여, 기존 720개였던 샘플을 총 7,200개로 확장하였다.
- t-SNE 시각화를 통해 증강된 샘플이 원래 데이터의 클러스터링 패턴을 유지하면서 특징 공간(feature space)의 범위를 확장했음을 확인하였다.
스케로그램 생성 및 분류:
- 증강된 시간 영역 신호는 Morlet 모 웨이브렛을 사용하는 연속 웨이브렛 변환(CWT)을 통해 2D 이미지로 변환되었다. 본 연구에서는 지배적인 응답을 과도하게 강조하지 않고 균형 잡힌 다이내믹 범위를 유지하기 위해 CWT 계수의 제곱이 아닌 절대값( $|W_x(a,b)|$ )을 사용하였다.
- 생성된 스케로그램 이미지는 $456 \times 456$ 픽셀로 리사이징되어 수정된 ImageNet 사전 학습 EfficientNet-B5 모델에 입력되었다. 모델의 분류 헤드는 전역 평균 풀링(global average pooling), 두 개의 드롭아웃 레이어(비율 0.55), 그리고 완전 연결 레이어로 커스텀되었다. 모델은 백본을 첫 2 에포크 동안 동결한 후 공동 미세 조정(joint fine-tuning)을 수행하는 2단계 전이 학습 방식을 사용하여 학습되었다. 과적합을 방지하기 위해 스토캐스틱 뎁스(stochastic depth)와 레이블 스무딩(label smoothing)이 적용되었다.

주요 기여

에너지 가이드 증강: 본 논문은 마이크로파 응답의 물리적 에너지 분포를 존중하는 새로운 신호 수준 증강 기술을 도입하였다. 이 방법은 종양 검출에 필수적인 산란 동작을 유지하면서 데이터셋 크기를 늘려, 무작위 또는 기하학적 신호 조작의 함정을 피한다.
최적화된 딥러닝 아키텍처: 본 연구는 다양한 EfficientNet 변체(B0–B7) 및 기타 아키텍처(DenseNet-201, InceptionV3, Xception)를 체계적으로 평가하였다. 이를 통해 특정 데이터셋 크기와 복잡도에 대해 특징 추출 능력과 계산 비용 간의 최적의 균형을 제공하는 EfficientNet-B5를 최적의 백본으로 식별하였다.
강건한 디노이징 및 변환: 웨이브렛 디노이징과 CWT 기반 스케로그램 생성의 통합은 원시 마이크로파 S-파라미터를 딥러닝에 적합한 판별력 있는 이미지 특징으로 변환하는 견고한 파이프라인을 구축한다.

결과
제안된 프레임워크는 증강된 데이터셋에 대해 5-겹 교차 검증(5-fold cross-validation)을 통해 평가되었다:

성능: EfficientNet-B5 모델은 **94.78% ± .1.91%**의 평균 정확도와 97.85%의 정밀도(precision), 91.61%의 재현율(recall), 94.59%의 F1-score를 달s성하였다.
판별력: 모델은 평균 AUC 0.9920 ± 0.0046을 기록하며 양성과 악성 클래스 간의 탁월한 분리 능력을 입증하였다.
비교: 제안된 방법은 다른 EfficientNet 변체들(B6와 B7는 제한된 데이터로 인한 과적합 가능성 때문에 성능이 약간 저하됨) 및 DenseNet-201, Xception과 같은 최신 모델들보다 우수한 성능을 보였다.
절제 연구(Ablation): 실험 결과, 신호 수준(에너지 가이드) 증강과 이미지 수준 증강을 결합했을 때, 각각을 단독으로 사용하거나 사용하지 않았을 때보다 가장 안정적인 학습 곡선과 최상의 일반화 성능을 나타냈다.

의의 및 주장
본 논문은 제안된 에너지 가이드 증강 전략이 실험적 마이크로파 유방 영상의 데이터 부족 문제를 효과적으로 완화한다고 주장한다. 원래 측정값의 물리적 산란 특성을 유지하는 합성 신호를 생성함으로써, 딥러닝 모델이 제한된 실험 데이터로부터 안정적인 종양 관련 특징을 학습할 수 있게 한다. 저자들은 이 프레임워크가 높은 분류 성능과 실용성 사이의 적절한 균형을 제공하며, 반복적인 재구성 기법에 필요한 광범위한 계산 자원을 요구하지 않는 비이온화, 비압축식 스크리닝 도구를 제공한다는 점을 강조한다. 결과적으로 이 접근 방식은 휴대 가능하고 비용 효율적인 마이크로파 기반 유방 종양 검출 시스템을 향한 실행 가능한 단계임을 시사한다.

유사한 논문