잔류 밀집 네트워크 기반 영상 해상도 향상 전처리 기법을 활용한 X-ray 폐렴 진단 연구

2019년 12월부터 전 세계적으로 유행한 코로나바이러스감염증(COVID-19, SARS-CoV-2)에 기인한 폭발적인 전염으로 세계 각국에서 의료체계 붕괴 현상이 나타나고 있다. 이를 극복하기 위한 새로운 수단으로 딥러닝 시스템 을 활용한 자동화된 폐렴(Pneumonia) 판독 시스템의 필요성이 제기되고 있다. X-ray 영상 기반 폐렴 진단을 위 한 합성곱 신경망(Convolutional Neural Network, CNN)은 학습 데이터에 대한 전처리 과정이 이후 성능에 많 은 영향을 미친다. 특히 폐렴 진단을 위한 X-ray 의료영상은 병변에 대한 텍스쳐 정보가 영상 내 국소적 특징을 잡 아내는 데 중요한 역할을 하므로, 이와 관련된 데이터 전처리 기법이 상당히 중요하다. 본 연구에서는 폐렴 진단용 의료영상 데이터셋에 영상 해상도 향상(Image Super Resolution, ISR) 기법을 적용하여 모델의 성능이 데이터 전처리의 과정에 따라 어떻게 변화하는지를 살펴보았다. DenseNet 분류기로 입력 데이터셋 영상을 학습하기 전에 원본 데이터셋의 고해상도 영상을 256×256, 700×700, 1000×1000 크기로 줄인 후 잔류 밀집 네트워크 (Residual Dense Network, RDN) 기반 영상 해상도 향상 기법을 적용하였다. DenseNet 분류기의 기본 입력 크기인 224×224로 영상 크기를 다시 조절한 뒤 분류기를 학습하였다. 이 과정을 통해 잔류 밀집 네트워크 기반 다 양한 고해상도 기법들을 비교 실험하였으며, 그 결과 Noise-Cancel 모델이 원본 영상의 해상도를 2배 키운 영상에 대한 분류기 성능이 83.5602%의 정확도를 보이며 가장 우수한 성능을 나타냈다.