윤곽선은 줄이고 정확도는 높이다: 난소 초음파 분류를 위한 병변 유도 ROI 심층 학습
Less Contouring, More Accuracy: Lesion-Guided ROI Deep Learning for Ovarian Ultrasound Classification
경질 초음파(transvaginal ultrasound)를 이용한 난소 병변 분류는 영상 특성이 서로 겹치고 전문가의 판독에 의존해야 하기 때문에 여전히 어려운 과제로 남아 있다. 본 연구는 병변 유도 관심 영역(region-of-interest, ROI) 심층 학습이 픽셀 단위 병변 분할(segmentation)에 따르는 어노테이션 부담을 줄이면서도 경쟁력 있는 진단 성능을 달성할 수 있는지 조사한다. 공개된 두 가지 난소 초음파 데이터셋을 평가하였으며, 8개 클래스 분류에는 Multi-Modality Ovarian Tumor Ultrasound(MMOTU) 데이터셋을, 이진 분류에는 Ovarian Ultrasound Dataset(OUD)을 사용하였다. 통합된 프레임워크 하에서 네 가지 전략을 비교하였다: 전역 이미지 기반 심층 학습, 병변 유도 ROI 기반 심층 학습, 병변 윤곽선(contour) 기반 심층 학습, 그리고 머신러닝 분류기를 결합한 윤곽선 기반 라디오믹스(radiomics)이다. 네 가지 심층 학습 아키텍처인 MaxViT-Tiny, Swin Transformer, EfficientNet-B7, ResNet18을 평가하였다. 라디오믹스 모델은 서포트 벡터 머신(support vector machine), k-최근접 이웃(k-nearest neighbors), 인공 신경망(artificial neural network) 분류기를 사용하여 개발하였고, 표본 수가 더 적은 OUD 데이터셋에는 ANOVA 기반 특징 선택을 적용하였다. 병변 유도 ROI 전략이 전반적으로 가장 우수한 성능을 보였으며, MaxViT-Tiny는 MMOTU에서 정확도 93.10%와 AUC 0.99를, OUD에서 정확도 97.56%와 AUC 0.99를 기록하였다. 윤곽선 기반 접근법은 이에 견줄 만한 정확도를 달성했지만 훨씬 더 많은 어노테이션 노력이 필요하였다. 이러한 결과는 병변 유도 ROI 심층 학습이 진단 성능과 어노테이션 효율 사이에서 효과적인 균형을 제공하며, 확장 가능한 AI 지원 난소 초음파 분석을 위한 실용적인 접근법이 될 수 있음을 보여준다.