EfficientNets를 활용한 전이 학습을 통한 헤마톡실린 및 에오신 염색 유방암 조직학 현미경 이미지 분류

유방암은 치명적인 질병으로 전 세계 여성의 주요 사망 원인 중 하나입니다. 생검 조직을 기반으로 한 진단 과정은 간단하지 않고, 시간이 많이 소요되며, 인간 오류에 취약하며, 관찰자 간 변동으로 인해 최종 진단에 대한 갈등이 발생할 수 있습니다. 이러한 문제를 해결하기 위해 컴퓨터 보조 진단 시스템이 설계 및 구현되었습니다. 이러한 시스템은 진단의 효율성과 정확성을 높이고 비용을 절감하는 데 중요한 기여를 합니다. 또한, 이러한 시스템은 결정된 진단이 보다 신뢰할 수 있도록 더 나은 성능을 발휘해야 합니다. 이 연구는 ICIAR2018 데이터셋에서 제공하는 헤마톡실린 및 에오신 염색 유방암 조직학 이미지를 분류하기 위해 EfficientNet 아키텍처의 적용을 조사합니다. 구체적으로, 7개의 EfficientNet을 미세 조정하고 평가하여 이미지를 정상, 양성, 제자리 암, 침습암의 네 가지 클래스로 분류할 수 있는 능력을 평가했습니다. 또한, 두 가지 표준 염료 정규화 기법인 Reinhard와 Macenko를 관찰하여 성능에 대한 염료 정규화의 영향을 측정했습니다. 이 접근 방식의 결과는 EfficientNet-B2 모델이 훈련 이미지에 대해 Reinhard 염료 정규화 방법을 사용하여 98.33%의 정확도와 민감도를 달성했으며, Macenko 염료 정규화 방법을 사용하여 96.67%의 정확도와 민감도를 달성했다는 것을 보여줍니다. 이러한 만족스러운 결과는 자연 이미지에서 의료 이미지로 일반적인 특징을 전이하여 EfficientNet에서 미세 조정을 통해 만족스러운 결과를 달성할 수 있음을 나타냅니다.