PyTorchKR Papers

최신 논문

총 12편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27523v1cs.CV

M3D-Net: 유방촬영 분류를 위한 공간 문맥, 특징 재사용, 차분 어텐션의 계층적 조율

M3D-Net: Hierarchical Coordination of Spatial Context, Feature Reuse, and Differential Attention for Mammography Classification

유방 영상 분류는 국소적 세부와 전역 조직 문맥을 모두 필요로 하지만, 표현이 깊어질수록 이러한 단서는 약해질 수 있다. 본 연구는 해상도 인식 연산자 배치를 통해 다중 스케일 좌표 어텐션, 유계 동적 특징 재사용, 차분 어텐션을 계층적으로 조율하는 유방촬영 인코더 M3D-Net을 제안한다. 스테이지 내 검색은 이전 특징에 대한 접근을 유지하고, 좌표 인식 집계는 국소 및 전역 문맥을 통합하며, 차분 어텐션은 거친 해상도에서 동작한다. AISSLab 유방촬영 데이터에서 이미지 전용 분류를, BrEaST 초음파에서는 적응된 영상-임상 모델을 평가하였다. EdgeNeXt, RepViT, TransXNet과 비교할 때 제안 구현은 기록된 검증 정확도와 학습 후반 정확도가 가장 높고, 종점 교차 엔트로피 손실이 가장 낮았다. 검증 정확도는 각각 97.78%와 80.39%에 달한다. 이 결과는 다양한 유방 영상 설정에서 계층적 조율에 대한 추가 평가를 뒷받침하나, 반복 시드, 구성 요소 통제, 독립 평가는 여전히 필요하다.

arXiv:2607.10358v3cs.CV

도메인 시프트 하에서 유방촬영술을 위한 기반 모델의 강건성 벤치마킹

Benchmarking the Robustness of Foundation Models for Mammography under Domain Shift

기반 모델(foundation model)은 유방촬영술의 이미지 특징 추출기로 점점 더 많이 활용되고 있으나, 외부 도메인 시프트 하에서의 강건성은 아직 불분명하다. 우리는 통합된 고정 백본 선형 프로브(linear-probe) 프로토콜을 사용하여 유방 밀도, BI-RADS 중증도, 암 여부 과제에 걸쳐 15개의 기반 모델 백본을 벤치마킹하였으며, 3개의 소스 데이터셋에서 학습하고 레이블 조화(label harmonization) 후 12개의 과제 호환 분포 외(OOD) 데이터셋에서 평가하였다. 유방촬영술 특화 비전-언어 모델(Mammo-FM 및 MaMA)이 가장 높은 평균 OOD 성능을 제공하지만, 강건성은 유방촬영술 노출만으로 설명되지 않는다. DINOv3는 경쟁력 있는 비전 전용 기준선으로 남아 있으며, 유방촬영술 적응형 사전학습이 일반화를 일관되게 향상시키지는 않는다. 데이터셋 수준의 분석은 선도적인 모델조차 데이터셋 전반에서 이질적인 성능을 보임을 추가로 보여준다. 특징 공간 분석은 유용한 표현이 데이터셋 및 획득 구조를 유지하면서도 임상 신호를 보존할 수 있음을 보여준다. 이러한 발견들은 데이터셋 수준의 OOD 평가를 유방촬영술 표현 평가의 핵심 기준으로 강조한다. 코드는 공개되어 있다: https://github.com/biomedia-mira/mammo-ood.

arXiv:2607.22740v1cs.CV

약지도 유방촬영에서 재구성 충실도를 평가하기 위한 진단 격차 프레임워크

A Diagnostic Gap Framework for Evaluating Reconstruction Fidelity in Weakly Supervised Mammography

의료 영상을 위한 약지도(weakly supervised) 파이프라인은 수년에 걸쳐 점점 더 널리 사용되고 있다. 이러한 시스템은 재구성(reconstruction), 생성(generation), 국소화(localization) 등 여러 단계와 구성 요소를 포함하는 경우가 많지만, 표준 평가 지표는 각 단계에서 임상적으로 관련 있는 정보가 보존되는지에 대한 통찰을 제한적으로만 제공한다. 우리는 진단 격차(diagnostic gap) 프레임워크를 제안한다. 이는 측정된 재구성 충실도의 함수로서 의사결정 보존(decision preservation)과 설명 보존(explanation preservation)을 측정하는 실용적인 평가 도구이다. 재구성의 효과를 국소화로부터 분리하기 위해, 우리는 세 가지 클래스 조건부 재구성기—VQ-VAE-GAN, VAE-GAN, 확산(diffusion, SDEdit)—로 구성된 충실도 사다리(fidelity ladder)를 사용하여 큐레이션된 병변 ROI 크롭에서 평가한다. 이는 지각 거리(perceptual distance, LPIPS 0.029–0.584)에서 20배 범위에 걸친다. 오토인코더 수준의 충실도에서는 의사결정과 설명이 모두 보존된다: AUC 변화는 $\pm$0.005 이내에 머물고, 속성 유사도(attribution similarity, HiResCAM, Grad-CAM++)는 높게 유지된다. 확산 모델 수준의 충실도에서는 둘 다 붕괴한다: 풀링(pooled) AUC는 0.253 하락하고, mass-pathology AUC는 우연(chance) 수준 이하로 떨어진다. 따라서 진단 격차는 재구성의 고유한 비용(intrinsic cost)이라기보다 재구성 충실도의 측정 가능한 함수이며, 이 프레임워크는 다단계 파이프라인이 진단 신호를 잃는 시점과 위치를 식별하는 아키텍처 무관(architecture-agnostic) 도구를 제공한다.

arXiv:2607.10188v2cs.CV

BiLoG-Net: 유방촬영술에서 유방 종괴 분할 및 악성 분류를 위한 이중 문맥 위치 유도 네트워크

BiLoG-Net: A Bi-Context Location-Guided Network for Breast Mass Segmentation and Malignancy Classification in Mammography

유방암은 전 세계 여성에서 가장 흔하게 진단되는 악성 종양으로, 유방촬영술에서 유방 종괴를 정확하게 탐지하고 특성화하는 것은 미묘한 강도 변화, 이질적인 조직 밀도, 그리고 방사선학적 판독을 어렵게 만드는 불분명한 병변 경계로 인해 여전히 난제로 남아 있다. 이러한 한계를 해결하기 위해, 우리는 이중 문맥 위치 인식 특징 모델링과 분할 유도 어텐션 메커니즘을 통해 유방 종괴 분할과 악성 분류를 공동으로 수행하는 심층 학습 프레임워크인 BiLoG-Net을 제안한다. 우리의 아키텍처는 Fire 기반 특징 추출, 경량 전역 및 지역 특징 향상 모듈, 그리고 장거리 문맥 의존성과 세밀한 경계 민감 세부 정보를 동시에 포착하는 적응형 위치 인식 게이팅을 결합한 새로운 인코더-디코더 패러다임을 통합한다. 기존의 다단계 파이프라인과 달리, 긴밀하게 결합된 멀티태스크 설계는 픽셀 수준 위치 파악과 이미지 수준 진단 간의 상호 강화를 가능하게 하여 오류 전파를 줄이는 동시에 공간적으로 근거 있는 악성 예측을 생성한다. CBIS-DDSM 및 INBreast 벤치마크에서 평가한 결과, BiLoG-Net은 각각 94.20% 및 93.10%의 Dice 점수, 95.20% 및 93.60%의 분류 정확도, 97.10% 및 96.00%의 AUC 값으로 최첨단 성능을 달성하며, 기존 CNN 및 트랜스포머 기반 기준 모델을 크게 능가한다. 단일 엔드-투-엔드 모델에서 정밀한 경계 윤곽 묘사와 신뢰할 수 있는 악성 평가를 결합함으로써, 이 연구는 임상 컴퓨터 보조 탐지 시스템에 강력한 잠재력을 지니며, 방사선 전문의가 의심스러운 사례를 우선순위화하고 바쁜 임상 환경에서 검진 효율성을 향상시키는 데 기여할 수 있다.

arXiv:2607.11343v1cs.CV

종단적 다중 뷰 유방암 위험 예측

Longitudinal Multi-View Breast Cancer Risk Prediction

스크리닝 유방촬영술로부터의 정확한 유방암 위험 예측은 개인 맞춤형 스크리닝 간격과 조기 발견을 가능하게 하는 데 있어 매우 중요하다. 최근의 심층 학습(deep learning) 방법들은 종단적(longitudinal) 데이터와 명시적 시간 정렬의 가치를 입증하였다. 그러나 기존 접근법들은 단일 유방촬영 뷰를 사용하여 명시적 정렬을 수행하거나, 명시적 종단적 정렬 없이 다중 뷰를 모델링하는 방식 중 하나만 채택함으로써, 임상에서 활용되는 보완적인 시공간 정보를 충분히 활용하는 데 한계가 있다. 이러한 격차를 해소하기 위해, 우리는 LMV-Net을 제안한다. 이는 명시적으로 정렬된 종단적 프레임워크 내에서 해부학적으로 보완적인 CC 뷰와 MLO 뷰를 공동으로 분석하는 종단적 다중 뷰 유방암 위험 예측 모델이다. 우리는 공개 데이터셋인 EMBED와 CSAW-CC에서 최신 유방암 위험 예측 방법들과 비교하여 제안 모델을 평가하였다. 우리의 모델은 전반적인 위험 예측 성능과 유방 밀도 및 암 하위 그룹별 성능에서 기존 접근법을 일관되게 능가하였다. 특히, 이러한 개선은 위험 계층화(risk stratification)를 향상시키는 종단적 다중 뷰 모델링의 잠재력을 부각시키며, 개인 맞춤형 스크리닝, 고위험 환자의 조기 식별, 그리고 보다 효율적인 스크리닝 자원 배분에 관한 향후 연구의 토대를 마련한다. 코드는 https://github.com/sot176/LMV-Net 에서 이용 가능하다.

arXiv:2607.06549v1cs.CV

다중 기관 데이터셋에 걸친 유방촬영술 석회화 분류를 위한 비지도 도메인 적응

Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets

AdaIN과 CycleGAN 기반의 비지도 도메인 적응(domain adaptation) 모듈과 Swin Transformer V2 분류기를 결합한 다중 기관 유방촬영술 석회화 분류 프레임워크를 제안하며, OPTIMAM에서 학습 후 EMBED와 Duke Calcification Dataset에서 각각 AUC를 0.68에서 0.72, 0.73으로 향상시켜 다기관 간 도메인 이동 문제를 완화하였다.

arXiv:2607.06309v1cs.CV

유방암 분류를 위한 대규모 비전 모델의 토큰 기반 이중 뷰 융합 및 적응

Token-Based Dual-view Fusion and Adaptation of Large Vision Models for Breast Cancer Classification

유방촬영술의 CC 및 MLO 이중 뷰 유방암 분류를 위해, 동결된 비전 트랜스포머 백본에서 전용 융합 토큰이 크로스 어텐션을 통해 양방향 뷰 간 정보를 명시적으로 인코딩하고 다중 트랜스포머 깊이에서 반복적으로 상호작용하는 토큰 중심 이중 뷰 학습 프레임워크를 제안한다. VinDr-Mammo 및 CMMD 데이터셋 실험에서 기존 융합 기준선 대비 일관된 성능 향상을 달성하였으며, BI-RADS 분류 과제에서 AUC 0.8090을 기록하였다.

arXiv:2607.00277v1cs.CV

AEGIS: 유방촬영술을 위한 멀티태스크 결합 임베딩 예측 아키텍처

AEGIS: A Multi-Task Joint-Embedding Predictive Architecture for Mammography

유방촬영술에서 유방암 탐지 및 밀도 평가를 위한 결합 임베딩 예측 아키텍처인 Aegis를 제안합니다. 14개 임상 기관의 71,103건 연구를 대상으로 자기지도 결합 임베딩 예측 아키텍처(JEPA) 사전학습을 통해 세 가지 Vision Transformer 변형(Small/Base/Large)을 학습한 후, 최대 2048×1536까지 점진적 해상도 스케일링을 적용한 지도 미세조정을 수행하였습니다. 785건으로 구성된 정제된 테스트 세트에서, 가장 큰 모델은 유방암 트리아지에 대해 수신자 조작 특성 곡선 아래 면적(AUC) 0.949를 달성하였으며, 최적 운영 지점에서 민감도 93%, 특이도 75%를 기록하였습니다. 우리 모델과 미국 식품의약국(FDA) 승인 기준선을 결합한 앙상블은 판별 능력을 AUC 0.952로 더욱 향상시켰습니다. 유방 밀도 분류에서는 이진(고밀도 대 비고밀도) 분류에서 AUC 0.953을 달성하였으며, 네 가지 유방영상보고데이터시스템(BI-RADS) 카테고리 전체에서 정확 정확도 62.6%, 인접 정확도 98.8%를 기록하여 보고된 인간 판독자 간 일치율에 필적하는 수준을 보였습니다. 공개 VinDr-Mammo 데이터셋에 대한 외부 검증은 상이한 참조 기준 하에서 교차 집단 전이 가능성에 대한 근거를 제시하며, 가장 큰 모델은 제로샷(zero-shot) 환경에서 트리아지 AUC 0.871을 달성하였습니다.

arXiv:2606.26431v1eess.IV

심층 학습 유방암 위험 모델의 유방촬영 표현형 규명

Revealing Mammographic Phenotypes in Deep Learning Breast Cancer Risk Models

유방촬영 기반 심층 학습 모델은 유방암 위험 예측을 개선했지만, 학습된 영상 패턴은 여전히 충분히 탐구되지 않았다. 기존 해석 가능성(interpretability) 방법은 단일 영상 saliency map에 의존하여, 대규모 환자 코호트에서 반복적으로 나타나는 유방촬영 표현형을 식별하지 못한다. 사전학습(pre-trained) 모델 Mirai의 패치 임베딩(patch embedding)을 클러스터링함으로써, 5년 암 위험과 연관된 반복적 표현형을 분리한다. 분석 결과, 위험을 증가시키는 표현형은 복잡한 구조(예: 밀도 높은 조직, 미세 석회화)와 shortcut 아티팩트(예: 클립)를 포착한다. 이러한 표현형은 고령과 더 높은 BI-RADS 밀도와 강한 상관관계를 보인다. 우리의 프레임워크는 조직 패턴을 AI 위험 점수와 연결하여, 임상적 시그니처와 잠재적 모델 교란 요인(confounder)을 드러낸다.

arXiv:2606.22089v1cs.CV

BAC-JEPA: 합성 유방촬영 영상 유도 감독을 통한 라벨 효율적 유방 동맥 석회화 분할

BAC-JEPA: Label-Efficient Breast Arterial Calcification Segmentation via Synthetic Mammography-Guided Supervision

유방촬영 검사(screening mammograms)에서의 유방 동맥 석회화(BAC)는 새롭게 부상하는 심혈관 위험 바이오마커이지만, 정량적 활용에는 재현 가능한 분할이 필요하고 전문가의 픽셀 수준 라벨은 비용이 큽니다. 본 논문은 BAC-JEPA를 제시합니다. 이는 정확한 마스크와 함께 실제 유방촬영 배경에 절차적으로 생성된 동맥 석회화를 삽입한 데이터로 학습한 라벨 효율적 분할 프레임워크입니다. 후보 배경은 예측 BAC 반응이 낮은 모델 스크리닝 유방촬영 영상에서 선별되었으며, 생성기는 동맥 구조, 질병 부담, 방사선학적 소견, 비동맥성 석회화와 금속 물체를 포함한 hard-negative 방해 요소를 샘플링합니다. 합성 마스크는 유방촬영 자기지도 Vision Transformer 인코더와 고해상도 컨벌루션 디코더와 결합하여 전체 해상도 분할 맵을 생성합니다. 본 연구는 34,956명 환자의 75,472건 유방촬영 검사를 배경 선별 및 표현 학습에 사용하고, 10,000개 배경에서 생성한 합성 이미지로 학습하여, 1,000개 개발 배경으로 체크포인트를 선별했으며, 사람이 라벨링한 BacSeg 합성 2D 유방촬영 1,000건 전체에서 전이를 평가했습니다. 보류된 합성 검증 데이터에서 더 큰 백본은 IoU 0.5325, Dice 0.6357을 달성했습니다. BacSeg에서는 분할 확률 맵으로부터의 이미지 수준 분류가 AUROC 0.8719를 달성했고, 더 작은 백본은 0.8547을 기록했습니다. 4뷰 추론은 RTX 5090 GPU에서 110.68--213.63 ms가 소요되었고, severe-preset 합성 이미지 생성은 멀티코어 워크스테이션에서 이미지당 평균 2.7071 s였습니다. 이러한 결과는 BAC 특화 합성 감독이 인간의 픽셀 수준 학습 마스크 없이도 유용한 이미지 수준 전이를 달성할 수 있음을 보여주며, 전문가 검토 실제 유방촬영 분할은 임상 검증 및 보정을 위해 여전히 필요합니다.

arXiv:2606.21119v1cs.CV

MammoExpert: 유방촬영 진단에서 사고의 연쇄(CoT) 추론 벤치마킹

MammoExpert: Benchmarking Chain-of-Thought Reasoning in Mammography Diagnosis

유방촬영술은 매년 수백만 건의 검사가 시행되는 유방암 검진을 위한 필수 도구이다. 그러나 AI 개발을 위한 공개 고품질 유방촬영 데이터셋은 규모와 주석 풍부성 모두에서 여전히 제한적이며, 특히 병리학적 하위유형 커버리지와 구조화된 진단 추론 주석 측면에서 그렇다. 본 논문에서는 (i) 기본 관찰(primal observation), (ii) 사실 평가(factual assessment), (iii) 진단 종합(diagnostic synthesis)의 세 가지 진단 단계에 걸쳐 사고의 연쇄(CoT) 추론 주석을 포함한 최초의 유방촬영 데이터셋인 MammoExpert를 제시한다. WHO 분류 기준 67가지 조직병리학적 하위유형을 포괄하는 2,379장의 유방촬영 영상으로 구성되며, 각 검사는 9명의 선임 방사선과 전문의가 주석한 42가지 방사선학적 특징을 제공한다. 우리는 유방 병변 분류 작업에서 성능을 평가하였으며, 기존 분류 모델 대비 우수한 정확도와 추론의 합리성을 보여준다. 공개 데이터셋 CBIS-DDSM과 MammoExpert를 결합하면 분류 정확도가 7.1% 향상되며, CoT 추론을 학습하도록 모델을 학습하면 MammoExpert 테스트 세트에서 추가로 4%의 성능 향상을 달성한다. INBreast와 Vindr 데이터셋에서도 유사한 개선이 관찰되며, 전체 접근법은 각각 6.9%와 6.7%의 정확도 향상을 보인다. MammoExpert는 명시적 CoT 추론을 통한 해석 가능한 유방 병변 진단을 위한 벤치마크로 활용될 수 있다.

arXiv:2606.06537v1q-bio.QM

DSU-Net: 유방촬영 영상에서 유방 병변 분할을 위한 어텐션 강화 밀집 스킵 U-Net

DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images

유방암은 전 세계 여성의 암 관련 사망 원인 중 하나로, 효과적인 치료를 위해 조기 발견이 필수적이다. 유방촬영술(mammography)은 주요 선별 검사 방식이지만, 의심 병변의 정확한 경계 구분은 여전히 어렵고 판독자 간 변동성의 영향을 받는다. 자동화된 분할(segmentation) 방법은 일관적이고 효율적인 병변 위치 파악을 통해 방사선과 의사를 보조할 수 있다. 본 연구는 유방촬영 영상에서 유방 병변의 자동 분할을 위한 어텐션 강화 밀집 스킵 U-Net 아키텍처인 DSU-Net을 제안한다. 제안된 프레임워크는 밀집 스킵 연결(dense skip connections)과 어텐션 메커니즘을 통합하여 특징 전파를 개선하고, 공간 정보를 보존하며, 병변 경계 묘사를 향상시킨다. 실험은 CBIS-DDSM(Curated Breast Imaging Subset of the Digital Database for Screening Mammography) 데이터셋을 사용하여 수행되었다. 극심한 전경-배경 불균형을 해소하기 위해, 학습 시 Dice 손실, focal 손실, 이진 교차 엔트로피 손실을 결합한 복합 손실 함수를 적용하였다. 제안된 모델은 검증 데이터셋에서 Dice 유사도 계수(Dice Similarity Coefficient) 0.9421, IoU(Intersection over Union) 0.8905, 정확도 0.9711, AUC-ROC 0.9878을 달성하였다. 정성적 평가에서는 다양한 크기와 형태의 병변에 대한 정확한 경계 묘사가 확인되었으며, 정량적 결과는 병변과 배경 영역 간의 강인한 판별력을 입증하였다. 이러한 결과는 DSU-Net이 유방촬영 영상에서 정확하고 신뢰할 수 있는 유방 병변 분할을 제공함을 보여주며, 컴퓨터 보조 유방암 선별 및 진단을 위한 어텐션 기반 심층 학습의 가능성을 부각시킨다.