유방 초음파 병변 분류를 위한 DenseNet-121 기반 Attention UNet 분할 마스크 성능 비교

• 영문명: Comparison of Attention UNet-Based Segmentation Mask Performance Using DenseNet-121 for Breast Ultrasound Lesion Classification
• 발행기관: 대한방사선과학회(구 대한방사선기술학회)
• 저자명: 신민준(Min-Joon Shin) 안현(Hyun An)
• 간행물 정보: 『방사선기술과학』제48권 제5호, 523~532쪽, 전체 10쪽
• 주제분류: 의약학 > 방사선과학
• 파일형태: PDF
• 발행일자: 2025.10.30

국문 초록

본 연구는 유방 초음파 영상에서 병변을 분류하기 위한 딥러닝 기반 모델을 구축하고, 입력으로 사용되는 다양한 유형의 병 변 분할 마스크가 최종 분류 성능에 미치는 영향을 비교·분석했다. 동일한 Attention UNet 구조에서 Dice, IoU, Accuracy, F1 Score 손실 함수를 적용하여 생성된 자동 분할 마스크를 DenseNet-121 기반 분류 모델의 입력으로 사용하고, 이를 전문가 수 작업 마스크 및 원본 영상 입력 모델과 성능 비교했다. 그 결과, IoU 기반 분할 마스크를 사용한 모델이 자동 분할 기반 실험 군 중 가장 높은 분류 정확도(88.73%)와 AUC(0.9804)를 기록하였으며, 이는 원본 영상 입력 모델 대비 정확도가 약 5.63%p 향상된 것이고, 전문가 수기 마스크 입력 모델보다는 10.63%p 낮은 결과였다. Grad-CAM 기반 시각화 결과에서도 분할 마스크 의 품질에 따라 모델의 주의 집중 영역이 달라졌으며, IoU 기반 모델이 병변 경계에 집중하는 양상을 나타냈다. 본 연구는 손 실 함수 선택이 분할 성능뿐 아니라 분류 정확도 및 해석 가능성에 영향을 미친다는 점을 실증하고, 임상 적용을 위한 자동화 된 입력 설계의 방향을 제시했다.

영문 초록

This study developed a deep learning-based model for classifying lesions in breast ultrasound images and investigated how different types of lesion segmentation masks affect the final classification performance. Using an identical Attention UNet architecture, segmentation masks were generated with four loss functions: Dice, IoU, Accuracy, and F1 Score. These automatically generated masks were used as inputs for a DenseNet-121 classifier and compared against models using expert-annotated manual masks and raw ultrasound images. The IoU-based mask model achieved the highest classification ac- curacy (88.73%) and AUC (0.9804) among the automatically generated mask groups, representing a 5.63%p improvement in accuracy over the raw-image model and 10.63%p lower accuracy compared to the manual-mask model. Grad-CAM visualizations showed that the IoU-based model focused more precisely on lesion boundaries depending on the quality of the input masks. This study demonstrates that the choice of loss function affects not only segmentation performance but also classification accuracy and interpretability, providing guidance for the design of automated input pipelines for clinical application.

목차

Ⅰ. 서 론

Ⅱ. 대상 및 방법

Ⅲ. 결 과

Ⅳ. 고 찰

Ⅴ. 결 론

REFERENCES

키워드

유방 초음파 병변 분류 Breast Ultrasound Lesion Classification Attention UNet DenseNet Grad-CAM