류마티스 관절염 진단을 위한 족부 X-ray 영상의 심층 특징 융합 네트워크

국문 초록 (Abstract)

본 논문은 류마티스 관절염(Rheumatoid Arthritis, RA) 진단을 위해 족부 AP(전후방) 영상의 전역 및 국소 구조 정보를 통합하는 심층 특징 융합 네트 워크를 제안한다. RA는 발의 관절에 침범하는 만성 염증성 질환으로 정확한 진단이 중요하지만 기존 CNN 기반 연구들은 병변 부위가 명확히 특정되지 않아 Class Activation Map(CAM)이 질환과 무관한 영역에 집중되는 한계가 있었다. 이를 해결하기 위해 본 연구는 데이터 일관성 유지, 전처리, 특징 추 출, 특징 융합으로 구성된 단계적 프레임워크로 설계하였다. 데이터 일관성 단계에서는 YOLOv5와 OCR을 활용하여 발 영역을 자동으로 구성하고 좌· 우측 발 이미지를 쌍으로 구성하여 RA 환자와 정상 환자 각 221명의 일관된 데이터 세트를 구축하였다. 전처리 단계에서는 Simple Baseline 모델을 이용 하여 17개 관절 랜드마크를 검출하고 ROI 격자를 생성하였다. 이후 Swin Transformer V2 모델과 VGG19 모델을 이용하여 전역 특징과 국소 특징을 각각 추출하여 MHAFF 모듈로 융합하였다. X-ray 영상으로부터 류마티스 관 절염을 진단하는 실험에서 제안된 네트워크는 91.76%±3.21%의 정확도를 달 성하였고 오류 분석에서 다른 조합들이 놓친 다수의 RA 사례를 분류하여 류 마티스 관절염 환자의 진단 누락을 효과적으로 감소시켰다. 또한 Grad-CAM 분석을 통해 실제 병변 부위에서 모델의 활성화가 집중되는 양상이 확인함 으로써 임상적 설명 가능성을 확인하였다. 본 연구는 족부 X-ray 기반 RA 진단에 있어 전역‧국소 특징을 상호보완적으로 결합한 실용적이고 임상적으 로 활용할 수 있는 딥러닝 프레임워크를 제시한다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• Ⅱ. 관련 연구 3
• 2.1 VGG 3
• 2.2 Swin Transformer V2 5
• 2.3 Simple Baselines: 관절 위치 추출 모델 8
• 2.4 YOLOv5: 객체 탐지 모델 8
• 2.5 특징 융합 방식 (Feature Fusion Method) 9
• Ⅲ. 제안하는 방법 10
• 3.1 자동화된 RA 질환 진단 프레임워크 10
• 3.1.1 데이터 일관성 유지 단계 12
• 3.1.2 전처리 단계 13
• 3.1.3 특징 추출 및 분류 단계 15
• Ⅳ. 실험 18
• 4.1 실험 환경 18
• 4.2 데이트 세트 구성 19
• 4.3 성능 평가 20
• 4.3.1 단일 네트워크 성능 비교 21
• 4.3.2 수렴 양상 분석 22
• 4.3.3 모델 조합 및 MHAFF 기반 네트워크 성능 분석 25
• 4.3.7 Grad-CAM 결과 28
• Ⅴ. 결론 31
• 참고문헌 33
• Abstract 37