이석현(한림대학교) | 골스캔에서 골전이 진단에 Grad-CAM을 활용한 CNN과 트랜스포머 모델의 진단 성능 비교 [Clin. Nucl. Med.] | 웨비나

학술웨비나 개최완료

골스캔에서 골전이 진단에 Grad-CAM을 활용한 CNN과 트랜스포머 모델의 진단 성능 비교 [Clin. Nucl. Med.]

조회428

2025년 06월 18일 (수) 오전 11시
이석현(한림대학교)

개요

목적: 골스캔(bone scan)에서 골 전이를 탐지하기 위해 합성곱 신경망(convolutional neural networks, CNNs)이 연구되어 왔으나, ConvNeXt와 트랜스포머(transformer) 모델은 아직 골스캔에 적용된 바가 없다. 본 연구는 ConvNeXt와 트랜스포머 모델을 포함한 다양한 딥러닝 모델이 골스캔에서 골 전이 병변을 진단하는 성능을 평가하는 것을 목표로 한다.

방법: 두 기관에서 얻은 암 환자 골스캔 영상을 후향적으로 분석하였다. 학습·검증 세트(n = 4,626)는 병원 1, 테스트 세트(n = 1,428)는 병원 2에서 수집하였다. 평가한 딥러닝 모델은 ResNet18, Data-Efficient Image Transformer(DeiT), Vision Transformer(ViT Large 16), Swin Transformer(Swin Base), ConvNeXt Large였다. 시각화를 위해 gradient-weighted class activation mapping(Grad-CAM)을 사용하였다.

Results: ConvNeXt Large 모델은 검증 세트와 테스트 세트에서 각각 0.969와 0.885로 가장 우수한 성능을 보였으며, Swin Base 모델(0.965와 0.840)이 그 뒤를 이었고, 두 모델 모두 ResNet18(0.892와 0.725)보다 유의하게 우월하였다. 하위 분석에서 모든 모델은 소수 전이보다 다수 전이 환자에서 더 높은 진단 정확도를 나타냈다. Grad-CAM 시각화 결과 ConvNeXt Large 모델은 국소 병변에, Swin Base 모델은 몸통뼈대 및 골반과 같은 전역 영역에 더 집중하였다.

Conclusions: ConvNeXt 모델은 기존 CNN 및 트랜스포머 모델보다 골스캔영상의 골 전이를 탐지하는 데 특히 다수 전이에서 뛰어난 진단 성능을 보여, 의료 영상 분석 분야에서의 활용 가능성을 시사한다.