검색 상세

Uncertainty-Guided Steering Vector for Test Time Adaptation in Breast Ultrasound Classification

  • 조우식 (아주대학교 일반대학원)

초록/요약

유방 초음파 영상을 이용한 양성·악성 분류 인공지능 모델은 학습에 사용된 데이터 분포와 상이한 환경의 데이터에 적용될 경우 성능 저하가 발생할 수 있 다. 이러한 성능 저하는 병원 간 초음파 장비, 영상 획득 설정, 촬영 프로토콜 의 차이로 인해 발생하는 domain shift와 연관된다. 본 연구에서는 domain shift로 인한 성능 저하를 모델의 재학습 없이 추론 시점에서 완화하기 위한 Test-Time Adaptation 방법을 제안한다. 실험은 공개된 세 개의 유방 초음 파 데이터셋(BrEaST, BUS-BRA, GDPH&SYSUCC)과 본원에서 수집한 내 부 데이터셋을 대상으로 수행하였다. 제안하는 방법은 예측 불확실성을 기반으로 모델의 신뢰도가 낮은 샘플을 식 별한 후, 해당 샘플에 대해서만 선택적으로 적응을 수행한다. 이 과정에서 최근 대규모 언어 모델 연구에서 제안된 Steering Vector 개념을 도입하여, 테스트 데이터의 표현을 모델이 학습한 분포 방향으로 조정한다. 실험 결과, 기존 Test-Time Adaptation 방법들이 평균적으로 AUROC 성능 저하를 보인 반면, 제안한 방법은 모든 데이터셋에서 AUROC 기준 5% 이상의 성능 향상을 달성하였다. 또한 예측 불확실성이 높은 샘플에 한정하여 적응을 수행함으로써 계산 비용을 감소시켰으며, 원본 모델의 가중치를 유지한 상태에 서도 새로운 환경에 대한 효과적인 적응이 가능함을 확인하였다. 본 연구는 Steering Vector 기법을 의료 영상 분석의 테스트 시점 적응 문제 에 최초로 적용한 사례로, 제안된 접근법은 향후 CT, MRI 등 다양한 의료 영 상 모달리티로 확장 가능할 것으로 기대된다. 키워드: Test Time Adaptation, 유방 초음파, 유방암, 이진 분류

more

목차

Ⅰ. 서론 1
Ⅱ. 이론적 배경 3
A. 의료 영상의 Domain Shift 3
1. Domain Shift의 정의 3
2. 의료 영상에서 Domain Shift의 원인 3
3. Domain Shift의 영향 3
B. Test Time Adaptation 4
1. TTA의 정의와 필요성 4
2. TTA 방법론 4
3. 기존 TTA 방법의 공통 한계 5
C. 유방 초음파 5
1. 유방 초음파 영상 특성 5
2. TTA 연구 대상으로서의 가치 5
Ⅲ. 기존 연구 6
A. Parameter 업데이트 기반 TTA 6
1. Entropy Minimization 계열 6
2. Pseudo-labeling 계열 6
3. Continual TTA 7
B. 기존 방법의 공통 한계 7
C. Representation Steering 7
Ⅳ. 제안 방법 9
A. 개요 9
B. 불확실성 측정 9
1. Source BN 통계 추출 10
2. 활성화 거리 계산 10
3. 분포 외 비율 11
4. 레이어 간 정규화 11
5. 불확실성 점수 12
C. 불확실성 기반 Steering Vector 적응 12
1. 불확실성 기반 샘플 분류 13
2. Steering Vector 계산 13
3. 불확실성이 높은 샘플 Projection 13
4. 예측 생성 14
Ⅴ. 실험 및 결과 16
A. 데이터셋 16
1. 학습 데이터셋 16
2. 평가 데이터셋 16
3. 포함 및 제외 기준 17
B. 데이터셋 전처리 18
C. 평가 방법 19
D. 구현 세부사항 20
1. 모델 구조 20
2. 기본 모델 학습 설정 20
3. Test Time Adaptaion 설정 22
E. 실험 결과 22
1. 전체 성능 비교 22
2. BI-RADS 카테고리별 분석 23
Ⅵ. 논의 30
A. 기존 방법과의 비교 분석 30
B. 임상적 의의 30
C. 연구의 의의 32
D. 연구의 한계 및 연구 방향 32
Ⅶ. 결론 34
참고문헌 35
ABSTRACT 40

more
반출 Meta View 목록