아티팩트 없는 B-cos 네트워크를 이용한 충실하고 해석 가능한 흉부 X-ray 진단
Faithful, Interpretable Chest X-ray Diagnosis with Artifact-free B-cos Networks
충실성(faithfulness)과 해석 가능성(interpretability)은 의료 영상 분석과 같은 안전이 중요한(safety-critical) 영역에서 심층 신경망(DNN)을 배포하는 데 필수적이다. B-cos 네트워크는 합성곱 및 분류(classification) 층의 매개변수화(parameterization)를 수정하여 특징(feature)-가중치(weight) 정렬(feature-weight alignment)을 통해 클래스 근거(class evidence)를 측정하고, 사후(post-hoc) 설명 없이 내장된 클래스별 기여도 맵(contribution maps)을 제공한다. 최신(state-of-the-art) DNN과 경쟁력 있는 진단 성능을 유지하는 동시에, 표준 B-cos 네트워크는 설명 맵에서 심각한 aliasing 아티팩트를 보여 임상에서 명확성이 필수적인 용도에 부적합하다. 본 연구에서는 ASAP와 BlurPool(BP)을 이용한 anti-aliasing 전략을 도입하여 설명 품질을 크게 개선함으로써 이 한계를 해소한다. 흉부 X-ray 데이터셋(dataset)에 대한 실험에서, 수정된 $\text{B-cos}_\mathrm{ASAP}$ 및 $\text{B-cos}_\mathrm{BP}$는 다중 클래스(multi-class) 및 다중 레이블(multi-label) 설정에서 임상 적용에 적합한 충실하고 아티팩트 없는 설명을 제공하면서 강력한 예측 성능을 유지함을 보여준다. 코드는 다음에서 이용할 수 있다: https://github.com/shrebox/Artifact-free-B-cos-Networks.