플러스프로젝트 배경
1) 문제점
- 기존 연구들은 종양 위주의 patch 기반 예측으로 전체 CT 구조 정보 반영 부족
2) 연구 필요성
- 실제 임상에선 전체 슬라이스 기반 판단
- 악성/양성 구분에 복합적 정보 필요
3) 프로젝트 목적
- 전체 슬라이스 기반으로 악성 여부 판단
- Attention Module을 적용하여 작은 결절까지 판단 가능한 해석형 모델 개발
- 기존 연구들은 종양 위주의 patch 기반 예측으로 전체 CT 구조 정보 반영 부족
2) 연구 필요성
- 실제 임상에선 전체 슬라이스 기반 판단
- 악성/양성 구분에 복합적 정보 필요
3) 프로젝트 목적
- 전체 슬라이스 기반으로 악성 여부 판단
- Attention Module을 적용하여 작은 결절까지 판단 가능한 해석형 모델 개발
프로젝트 성과
모델별 파라미터 수와 성능 비교
ResNet18 88.75%
ResNet34 87.00%
ResNet34_3ch 89.88%
DenseNet121 88.88%
EfficientNet-b0 85.12%
EfficientNet2_s 86.62%
ResNet34 87.00%
ResNet34_3ch 89.88%
DenseNet121 88.88%
EfficientNet-b0 85.12%
EfficientNet2_s 86.62%
핵심 기능
Attention Module
- 폐에 존재하는 다양한 병변들을 학습에서 Attention 하여 작은 병변까지 잘 잡아낼 수 있게 되었다.
진행 단계
paper searching 및 기획
2025.04.
- 폐암 판별 보조 AI 개발 논문들과 관련 모델들을 서칭하여 정리 후 방향과 기획 수립
전처리
2025.04.
- 폐 CT를 모델에 넣기 전 HU 클리핑, 정규화, 3채널 구성, 라벨링 전략 등 수립
실험
2025.04.
- 다양한 백본 모델 성능 비교 (ResNet18, ResNet34, DenseNet121, EfficientNet 등)
- 학습 방식 및 세부 기법 비교 실험 (Loss function 비교 등)
- 학습 방식 및 세부 기법 비교 실험 (Loss function 비교 등)
결론
2025.04.
- 모델별 성능 정리 및 Grad-CAM으로 시각화
- PPT, report 작성
- base와 CBAM, MGA 각각 비교하여 결과 도출
- PPT, report 작성
- base와 CBAM, MGA 각각 비교하여 결과 도출
프로젝트 상세
- 기간 : 2025.04.28 ~ 2025.05.26
- 역할 : ResNet18 + CBAM + MGA(MSE, KLDiv) 구조 설계 및 성능 실험 주도, 발표자료(PPT) 및 보고서 작성
- 주요 내용 :
• LIDC-IDRI 기반 데이터셋 전처리 (resize, rotation, mask 적용 등)
• Grad-CAM / Score-CAM 시각화 및 병변 영역(BBox)과 정렬도 측정
• CAM@BBox ≥ 0.8 이상 이미지 자동 추출 로직 구현
- 성과 :
• 해석 가능한 약한 지도학습 기반 분류 모델 구축
• 실험 흐름, 성능 비교, 시각화 결과까지 포함된 발표자료 주도 작성
- 역할 : ResNet18 + CBAM + MGA(MSE, KLDiv) 구조 설계 및 성능 실험 주도, 발표자료(PPT) 및 보고서 작성
- 주요 내용 :
• LIDC-IDRI 기반 데이터셋 전처리 (resize, rotation, mask 적용 등)
• Grad-CAM / Score-CAM 시각화 및 병변 영역(BBox)과 정렬도 측정
• CAM@BBox ≥ 0.8 이상 이미지 자동 추출 로직 구현
- 성과 :
• 해석 가능한 약한 지도학습 기반 분류 모델 구축
• 실험 흐름, 성능 비교, 시각화 결과까지 포함된 발표자료 주도 작성
