Progressive Defocusing Guided Attention을 활용한 딥러닝 기반 피부암 컴퓨터 보조진단 시스템 개발 = Development of a Deep Learning Based Computer-Aided Diagnosis System for Skin Cancer Using Progressive Defocusing Guided Attention

국문 초록 (Abstract)

피부 병변의 정확한 진단과 조기 발견은 환자의 생존율과 예후에 중요한 영향을 미친다. 본 연구에서는 피부 병변 분류를 위한 딥러닝 기반 컴퓨터 보조진단(CADx) 시스템을 개발하고 추론 단계에서 계산 비용이 큰 앙상블에 의존하지 않으면서도 Convolutional neural network(CNN)과 transformer 모델의 상호보완적 장점을 통합할 수 있는 학습 전략인 Progressive Defocusing Guided Attention(PDGA)을 제안한다. 입력 품질을 개선하기 위해 먼저 BlackHat 변환과 인페인팅 기법을 결합한 털 제거 전처리 파이프라인을 적용하여, 병변의 경계와 질감 단서가 털에 의해 가려지는 현상을 완화하였다. 이후 PDGA는 CNN을 활용해 병변과 관련된 국소 표현을 학습하고 Grad-CAM을 통해 병변 중심의 ROI 마스크를 생성한다. Transformer 학습 단계에서는 초기 에폭에서 ROI 외 배경 영역에 gaussian blur를 선택적으로 적용하여 병변 중심의 attention을 유도하고 학습이 진행됨에 따라 blur 강도를 점진적으로 완화함으로써 보다 넓은 맥락 정보를 함께 반영하도록 한다. 제안한 방법의 효과를 검증하기 위해 단일 CNN, transformer 및 앙상블 모델과 성능을 비교하였다. 그 결과, PDGA는 앙상블 대비 낮은 추론 비용을 유지하면서도 최고 정확도 85.83%를 달성하였다. 이러한 결과는 PDGA가 미세한 병변 단서와 전역적 맥락 정보를 효과적이고 효율적으로 결합할 수 있음을 나타내며 피부 병변 진단을 보조하는 피부경검 의사결정 지원 도구로서의 활용 가능성을 뒷받침한다.

다국어 초록 (Multilingual Abstract)

Accurate and timely assessment of skin lesions is essential for effective clinical management. In this study, we develop a deep learning based computer-aided diagnosis (CADx) system for skin lesion classification and propose Progressive Defocusing Guided Attention (PDGA), a training strategy designed to integrate complementary strengths of convolutional neural networks (CNNs) and transformer models without relying on computationally expensive ensemble inference. To improve input quality we first apply a hair removal preprocessing pipeline based on BlackHat transformation followed by inpainting, reducing hair induced artifacts that can obscure lesion boundaries and texture cues. PDGA then leverages a CNN to learn lesion related local representations and to produce a lesion-focused ROI mask via Grad-CAM. During transformer training, background regions outside the ROI are selectively blurred using a Gaussian filter at early epochs to encourage lesion-centered attention, and the blur is gradually relaxed over training to incorporate broader contextual information. We compare PDGA with standalone CNN, transformer baselines and ensemble models. PDGA achieves the highest accuracy 85.83% with lower inference cost than ensembles. These findings indicate that PDGA provides an effective and efficient way to combine fine grained lesion cues with global contextual reasoning, supporting its potential use as an assistive tool for dermoscopic decision support.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 개요 1
• 2. 관련 연구 2
• Ⅱ. 연구 내용 4
• 1. 연구 데이터셋 4
• 2. 이미지 전처리 6
• 3. 기존 학습 방식 7
• 1) CNN 7
• 2) Transformer 8
• 3) Ensemble 9
• 4. Progressive Defocusing Guided Attention 10
• 1) Grad-CAM을 통한 ROI 추출 10
• 2) ROI 기반 transformer 모델의 학습 전략 12
• 5. 적용 모델(Backbone) 14
• 1) Xception 14
• 2) Swin Transformer 14
• Ⅲ. 연구 결과 15
• 1. BlackHat 기반 털 제거 전처리 성능 비교 16
• 2. 임계값 설정 방법에 따른 성능 비교 17
• 3. PDGA를 적용한 피부 병변 분류 성능 비교 18
• 4. Progressive Defocusing 강도 설정에 따른 성능 비교 20
• Ⅳ. 결론 21
• 참고문헌 22
• Abstract 25