PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.13010v2cs.CV

DermDepth: 피부과를 위한 단안 단위 척도 3D 재구성 모델

DermDepth: Toward Monocular Metric Scale 3D Reconstruction Models for Dermatology

피부과 진료에서는 상처 또는 피부암의 선별, 모니터링 및 진단의 핵심 요소로서 병변의 크기, 형태 및 질감을 측정하고 추적하는 것이 일상적으로 수행된다. 이 작업을 수행하기 위해 의료진은 일반적으로 상용 카메라 센서로 피부 표면을 촬영한다. 이러한 목표는 본질적으로 3D 정보로부터 이익을 얻을 수 있음에도 불구하고, 이로 인해 연구의 압도적인 초점이 2D 방법에 맞춰져 왔다. 본 논문에서는 추가 하드웨어 또는 다중 촬영 없이도 피부경 검사 및 거시적 사례 모두에서 밀집 단안 3D 재구성, 단위 척도 측정, 풍부한 표면 법선 텍스처 추정이 달성 가능함을 보인다. DermDepth는 피부과 영역을 위한 최초의 단일 시점 단위 척도 3D 모델이며, D-Synth는 픽셀 단위 정밀 3D 정보를 갖춘 최초의 합성 피부경 검사 데이터셋이다. 실험 결과, D-Synth로 DermDepth를 학습하면 실제 피부경 검사 데이터에 대한 단위 척도 오차가 16배 이상에서 1.1배 미만으로 교정되며, 기하학적 품질을 유지하면서 텍스처 풍부함이 증가한다. 소량의 실제 임상 샘플에 대한 미세조정을 통해 수 mm에서 수십 cm 범위, 다양한 피부 톤, 만성 상처 사례를 포괄하는 세 가지 실세계 벤치마크 전반에 걸쳐 본 방법이 일반화되며, 의학 문헌에 보고된 질병 크기와 대체로 일치하는 측정값을 산출한다. 모든 코드, 데이터 및 모델은 https://github.com/hectorcarrion/dermdepth 에서 이용할 수 있다.

arXiv:2606.17504v1eess.IV

피부경 이미지에서 고감도 흑색종 검출을 위한 ResNet50의 2단계 미세조정

Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images

흑색종은 피부암 중 가장 위험한 형태로, 조기에 발견되면 5년 생존율이 99%를 넘지만 질병이 퍼지면 급격히 떨어진다. 본 논문은 피부경 이미지의 이진 흑색종 분류(binary melanoma classification)에 적용된 ResNet50을 위한 2단계 미세조정(two-stage fine-tuning) 접근법을 제안하고 평가한다. 해결하고자 하는 핵심 과제는 클래스 불균형과 1단계 미세조정으로 인한 최적이 아닌 전이학습(transfer learning)이다. 층화된 학습/검증/테스트 분할 후, 1:1 클래스 균형을 달성하기 위해 무작위 과샘플링을 학습 세트에만 적용했다. 1단계는 ResNet50 베이스를 동결시키고 분류 헤드만 학습시켰고, 2단계는 학습된 시각적 특징의 치명적 망각을 방지하기 위해 낮은 학습률(learning rate)인 1e-5로 모든 레이어를 공동으로 미세조정했다. 3,826장의 독립적인 테스트 세트에서 모델은 AUC-ROC 0.9559, 정확도 88.34%, 민감도 87.56%, 특이도 89.13%, F1-score 88.29%를 달성했다. 소거 연구(ablation study)는 2단계 프로토콜이 1단계 미세조정보다 민감도가 4% 이상 향상되어 유의미하게 우수함을 확인한다. Grad-CAM 시각화는 올바른 병변 국소화를 보여준다. 모든 학습 코드와 함께 완전히 배포 가능한 Streamlit 검출 애플리케이션이 제공된다.