대조 학습과 데이터 증강을 활용한 흉부 X-Ray 이미지 분류 정확도 향상
Improving Chest X-ray Image Classification Accuracy Using Contrastive Learning and Data Augmentation
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
의료 영상 기반 인공지능 기술은 진단 정확도 향상과 의료 인력 부담 경감을 위해 활발히 연구되고 있으며, 특히 흉부 X-ray 영상은 다양한 폐 질환을 조기에 진단하는 데 중요한 역할을 한다. 그러나 기존 흉부 X-ray 영상 분류 모델은 데이터 노이즈나 클래스간 경계 불명확성에 취약하고, 다양한 이상 소견을 포괄적으로 반영하는 데 한계가 있다. 본 논문에서는 EfficientNet-B0 백본을기반으로 SupCon Loss와 RandomBrightnessContrast, RandomResizedCrop 증강 기법을 결합해 분류 성능을 향상시키는 방법을 제안한다. 본 논문에서 제안하는 방법은 CheXpert 데이터셋에서 테스트 정확도 79.45%를 기록했으며, 추가로 Chest X-ray (COVID-19 & Pneumonia) 데이터셋을 활용한 일반화 실험과 병변 제외 학습 기반 평가에서도 성능 향상을 확인하였다.
Abstract
Artificial intelligence based on medical imaging is actively researched to enhance diagnostic accuracy and support clinical workflows. Chest X-rays are crucial for detecting various pulmonary diseases, but traditional classification models using only CrossEntropy Loss often struggle with noisy data and ambiguous boundaries. This study proposes a method that integrates Supervised Contrastive Loss (SupCon Loss) with data augmentation (RandomBrightnessContrast and RandomResizedCrop), using EfficientNet-B0 as the backbone. Without altering the network, the method improved test accuracy to 79.45% on the CheXpert dataset. Additional evaluations using the Chest X-ray (COVID-19 & Pneumonia) dataset and lesion-wise holdout validation further confirmed its robustness and generalization performance.