유방초음파 영상의 티처블 머신 기반 병변 분류 성능 분석 = Performance Analysis of Teachable Machine Based Lesion Classification in Breast Ultrasound Imaging

국문 초록 (Abstract)

유방초음파는 실시간으로 영상을 획득할 수 있어 영상 진단에 유용한 검사법이다. 의료영상 판독은 진단 매뉴얼을 기반으로 하지만 판독자의 경험, 숙련도에 따라 결과가 달라질 수 있어 주관성과 재현성이 낮다는 단점이 있다. 이러한 판독자 간 차이를 보완하기 위해 티처블 머신으로 유방초음파 영상의 병변 특징을 활용한 이미지 시각화 학습을 진행하였다. 오픈소스 기반의 양성과 악성 병변으로 분류된 영상 데이터를 수집 및 활용하였다. 총 274장의 영상을 학습시켰고 에포크(Epochs), 배치 크기(Batch size), 학습률(Learning rate)의 각 파라미터를 변수로 설정하여 최적의 모델을 도출하였다. 학습 모델의 일반화 성능을 검증하기 위해 전체 데이터 중 일부를 별도의 테스트용 데이터셋으로 분리하였다. 테스트 데이터는 학습 과정에 포함되지 않은 양성 20장, 악성 22장 영상을 포함하였다. 이를 통해 학습된 모델이 새로운 데이터에서 얼마나 정확하게 병변을 분류할 수 있는지 평가하였다. 연구 결과, 가장 높은 인식 정확도를 보인 파라미터는 양성에서 에포크 75, 배치 크기 32, 학습률 0.01이고, 악성에서는 에포크 50, 배치 크기 16 및 64, 학습률 0.0001이었다. 혼동행렬을 기반으로 기본 파라미터의 분류 성능은 양성 영상 20장 중 15장, 악성 영상 22장 중 17장을 정확히 분류하였으며, 민감도 78.26%, 특이도 89.47%, 정확도 83.33%로 전반적으로 높은 진단 성능을 보였다. 클래스별 평균 인식률 분석 결과는 양성에서 에포크 75, 배치 크기 64, 학습률 0.01일 때, 악성에서 에포크 75, 배치 크기 32, 학습률 0.01일 때 가장 높은 평균 값을 나타냈다. 이는 데이터 특성과 클래스별 반응 차이를 고려한 설정이 중요함을 보여준다. 기존 CNN 모델들과 비교했을 때도 정확도가 MobileNet과 거의 동등한 수준으로 경쟁력 있는 분류 성능을 확인할 수 있다. 본 연구는 티처블 머신 기반 모델이 유방초음파 영상에서 양성과 악성 병변을 효과적으로 분류할 수 있음을 확인하였다. 민감도, 특이도, 정확도 모두 일정 수준 이상을 확보하여 제한된 데이터 환경에서도 안정적인 성능을 보였다. 이는 교육적 활용뿐 아니라 임상 보조 시스템으로의 확장 가능성을 나타낸다. 따라서 티처블 머신 기반 모델은 인공지능 기반 유방초음파 진단 보조 도구로 활용될 수 있으며, 향후 AI 기반 연구를 통해 진단 성능을 지속적으로 보완함으로써 유방초음파 판독의 보조적 역할을 제공할 것으로 기대된다.

목차 (Table of Contents)

• 국문초록 i
• 표 목 차 ⅴ
• 그림목차 ⅵ
• Ⅰ. 서 론 1
• 1. 연구 배경 1
• 2. 연구 목적 3
• Ⅱ. 이론적 배경 4
• 1. 유방초음파 영상의 특징 4
• 2. 의료영상에서의 초음파와 인공지능 13
• 3. 인공지능 기반 영상 분류 15
• 4. 티처블 머신 31
• Ⅲ. 선행 연구 35
• Ⅳ. 연구 방법 38
• 1. 연구 설계 38
• 2. 데이터 수집 39
• 3. 티처블 머신을 활용한 학습 과정 43
• 4. 성능 평가 지표 47
• Ⅴ. 결 과 50
• 1. 분류 정확도 및 파라미터 최적화 50
• 2. 혼동행렬 기반 분류 성능 분석 53
• 3. 클래스별 평균 인식률 분석 57
• 4. CNN 모델과의 성능 비교 59
• Ⅵ. 고 찰 63
• Ⅶ. 결 론 65
• 참고문헌 66
• 영문초록(Abstract) 72
• 감사의 글 74