전이학습 기반 자동 팬텀 테스트 패턴 분류

본 논문은 컴퓨터 단층촬영(CT) 시스템의 품질 검증에 사용되는 Mercury 팬텀의 테스트 패턴을 자동으로 식별하기 위한 딥러닝 기반 방법을 제시한다. 기존에는 전문가가 각 슬라이스를 눈으로 확인하고 라벨링해야 했으며, 이는 시간 소모가 크고 주관적 오류가 발생하기 쉬운 과정이었다. 이를 해결하고자 저자들은 전이학습(transfer learning)과 데이터 증강(data augmentation)을 결합한 이미지 분류 파이프라인을 설계하였다. 데이터는 듀크 대학교 의료센터에서 수집한 15개의 팬텀 시리즈(총 3,099장)와 추가로 비정상적인 각도로 촬영한 458장의 ‘극한 테스트’ 시리즈로 구성되었다. 각 슬라이스는 5가지 클래스로 라벨링되었으며, 학습·검증·테스트 셋은 시리즈 단위로 구분해 서로 겹치지 않도록 배치하였다. 전처리 단계에서는 CT 고유의 HU 값을