Psoriasis detection and classification using MobileNetV3 and Coordinate attention

기술 요약: MobileNetV3 및 좌표 주의 집중(Coordinate Attention)을 이용한 건선 탐지 및 분류

문제 정의
건선은 전 세계 인구의 2~3%에게 영향을 미치는 지속적인 피부 질환으로, 붉은 판과 은백색의 인설이 특징입니다. 생명을 위협하지는 않지만, 심각한 심리적 고통을 유발하며 건선성 관절염과 같은 동반 질환으로 이어질 수 있습니다. 진단은 임상적 이질성(7가지의 뚜렷한 변이형), 다른 피부 질환과의 유사성, 그리고 수동 임상 평가의 주관성으로 인해 까다롭습니다. 또한, 기존의 중증도 지표(예: PASI)는 주관적이며 가려움증이나 치료가 어려운 부위와 같은 특정 요인을 반영하지 못하는 경우가 많습니다. 딥러닝(DL)이 의료 영상 분야에서 유망함을 보여주었으나, 다중 클래스 건선 분류를 위한 포괄적인 데이터셋이 부족하며, 기존 모델들은 클래스 불균형과 피부 병변의 미묘한 클래스 간 차이를 처리하는 데 어려움을 겪는 경우가 많습니다.

방법론
본 연구는 7가지의 뚜렷한 건선 변이형을 분류하기 위해 좌표 주의 집중(Coordinate Attention, CA) 메커니즘이 통합된 MobileNetV3-Small을 활용하는 딥러닝 프레임워크를 제안합니다. 방법론은 다음과 같은 구조화된 파이프라인을 따릅니다:

1. 데이터셋 구축: 7가지 변이형(홍반성, 건선형, 역형, 손톱, 판, 건선성 관절염, 농포성 건선)을 포함하는 2,101장의 이미지를 가진 맞춤형 데이터셋을 제작했습니다. 데이터는 공공 저장소(Kaggle)에서 수집되었으며, 96×96 픽셀로의 크기 조정 및 픽เซล 강도를 [-1, 1] 범위로 정규화하는 전처리 과정을 거쳤습니다.
2. 모델 아키텍처:
   • 백본(Backbone): 본 연구는 낮은 계산 비용과 지연 시간을 유지하면서도 정확도를 유지하기 위해 선택된 MobileNetV3-Small을 사용합니다. 이는 깊이별 분리 합성곱(depthwise separable convolutions)을 활용합니다.
   • 주의 집중 메커니즘(Attention Mechanism): 표준 Squeeze-and-Excitation 블록의 한계(위치 정보 부족)를 해결하기 위해, 저자들은 **좌표 주의 집중(CA)**을 통합했습니다. 이 메커니로은 수평 및 수직 풀링을 수행하여 공간 정보를 인코딩하고, 모델이 병변 내의 특정 "어디(where)"와 "무엇(what)" 특징에 집중하도록 안내하는 주의 집중 맵을 생성합니다.
   • 분류 헤드(Classification Head): 아키텍처는 전역 평균 풀링(Global Average Pooling) 레이어, Swish 활성화 함수를 사용하는 512개 뉴런의 밀집(Dense) 레이어, 그리고 7개 클래스를 위한 Softmax 출력 레이어를 포함합니다.
3. 학습 전략:
   • 전이 학습(Transfer Learning): 모델은 ImageNet에서 사전 학습된 가중치로 초기화되었습니다. 건선 데이터셋에 특화된 고수준 특징을 추출하기 위해 레이어 150부터 상위 레이어의 가중치를 해제(unfreeze)하여 미세 조정(fine-tuning)을 수행했습니다.
   • 손실 함수(Loss Functions): 연구에서는 **교차 엔트로피 손실(Cross-Entropy Loss, CL)**과 제안된 **하이브리드 손실(Hybrid Loss, HL)**을 비교합니다. HL은 클래스 불균형과 과적합을 완화하기 위해 교차 엔트로피, 포컬 손실(Focal Loss), 레이블 평활화(Label Smoothing) 기술을 결합합니다. 합성 손실은 $L_{Composite} = \beta L_{CL} + \phi L_{FL}$로 정의되며, 하이퍼파라미터(특히 $\phi = 0.75$)가 튜닝되었습니다.
   • 최적화: Adam 옵티마이저를 사용하여 50 에포크(epoch) 동안 학습률 $1 \times 10^{-5}$로 최적화를 진행했습니다.

주요 기여

• 데이터셋 제작: 7가지 건선 변이형에 걸친 2,101장의 이미지를 포함하는 포괄적인 데이터셋을 개발하여, 부족한 공공 다중 클래스 건선 데이터를 해결했습니다.
• 아키텍처 혁신: MobileNetV3에 좌표 주의 집중을 통합하는 것이 7가지 건선 아형 간의 미묘한 변이를 탐지하는 데 성능을 크게 향 향상시킨다는 것을 입증했습니다.
• 손실 함수 최적화: 클래스 불균형을 처리하고 정확도를 높이기 위해 교차 엔트로피(CL), 포컬 손실, 레이블 평활화를 결합한 하이브리드 손실 함수를 도입하고 검증하여, 표준 교차 엔트로피 손실보다 우수한 성능을 보였습니다.
• 비교 분석: 동일한 실험 조건 하에서 VGG19, ResNet 앙상블(ResNet50V2, ResNet101V2, ResNet152V2), 표준 MobileNetV3를 포함한 최첨단 모델들과 엄격한 비교를 수행했습니다.

결과
제안된 MobileNetV3-Small + CA + Hybrid Loss 모델은 가장 높은 성능 지표를 달달성했습니다:

• 정확도: 모델은 다중 클래스 분류 작업에서 **98.40%**의 정확도에 도달했습니다. 이는 교차 엔트로피만을 사용한 MobileNetV3-Small + CA(93.20%) 및 기타 베이스라인 모델들(VGG19: 94.02%, Ensemble ResNet: 91.20%)보다 유의미한 향상을 나타냅/니다.
• 수렴(Convergence): 학습 곡선은 제안된 모델이 높은 학습 정확도(97–98%)와 낮은 학습 손실(0.25)과 함께 빠른 수렴을 달성했음을 보여줍니다.
• 일반화(Generalization): 모델은 교차 엔트로피만을 사용한 모델에 비해 더 높은 검증 정확도(약 75–78%)와 더 낮은 검증 손실을 보여주어 과적합이 감소했음을 입증했습니다.
• 클래스별 성능: 모델은 표준 CNN에서 오분류되기 쉬운 역형(Inverse) 및 손톱(Nail) 건선과 같은 까다로운 클래스에 대해 개선된 민감도를 보였습니다.

의의 및 주장
본 논문은 좌표 주의 집중과 하이브리드 손실의 통합이 피부과 의사들에게 신뢰할 수 있는 저비용 지원 시스템을 제공한다고 주장합니다. 7가지 특정 변이형을 구분하는 데 높은 정확도를 달성함으로써, 본 모델은 해석적 가변성과 시간 소모와 같은 수동 진단의 한계를 해결합니다. 저자들은 이 접근 방식이 대량의 피부 영상을 관리하는 데 있어 정밀한 기술적 지원을 제공하여, 조기 및 정확한 진단을 통해 잠재적으로 환자의 삶의 질을 개선할 수 있다고 단언합니다.

한계 및 향 향후 과제
저자들은 몇 가지 한계점을 인정합니다:

• 데이터 희소성: 데이터셋은 개선되었으나, 조명 조건 및 질병 특성에 대한 다양성 측면에서 여전히 규모가 제한적입니다.
• 세그멘테이션(Segmentation): 현재 연구는 분류에 초점을 맞추고 있으나, 향후 연구에서는 병변이 완벽하게 격리되지 않은 실제 상황을 다루기 위해 관심 영역(ROI) 세그멘테이션을 통합해야 합니다.
• 계산 효율성: MobileNetV3는 경량화되어 있지만, 실제 배포를 위해서는 추가적인 계산 비용 절감이 필요합니다.
• 상관관계 문제: 연구에서는 특정 건선 이미지 간의 높은 상관관계가 여전히 오식별을 초래할 수 있음을 언급하며, 매우 유사한 변이형을 구별하기 위한 추가적인 조사가 필요함을 시사합니다.