본 연구는 흉부 CT 이미지에서 자동화된 폐암 검출 및 분할을 위해 다양한 합성곱 신경망(CNN) 백본과 통합된 U-Net 아키텍처의 효과를 조사합니다. 832개의 흉부 CT 이미지(암성 416개, 비암성 416개)의 균형 잡힌 데이터셋을 CLAHE 전처리하고 128x128 픽셀로 크기 조정했습니다. ResNet50, VGG16, Xception 세 가지 CNN 백본을 사용하여 U-Net 모델을 개발하여 폐 영역을 분할했습니다. 분할 후, CNN 기반 분류기와 CNN 특징 추출과 전통적인 머신러닝 분류기(SVM, Random Forest, Gradient Boosting)를 결합한 하이브리드 모델을 5-fold 교차 검증을 사용하여 평가했습니다. 평가 지표로는 정확도, 정밀도, 재현율, F1 점수, Dice 계수, ROC-AUC를 사용했습니다. ResNet50을 사용한 U-Net이 암성 폐에 대해 최고 성능(Dice: 0.9495, 정확도: 0.9735)을 달성했고, VGG16을 사용한 U-Net이 비암성 분할에 대해 최고 성능(Dice: 0.9532, 정확도: 0.9513)을 달성했습니다. 분류의 경우, Xception을 사용한 U-Net을 사용하는 CNN 모델은 99.1%의 정확도, 99.74%의 재현율, 99.42%의 F1 점수를 달성했습니다. 하이브리드 CNN-SVM-Xception 모델은 96.7%의 정확도와 97.88%의 F1 점수를 달성했습니다. 기존 방법과 비교하여 본 연구의 프레임워크는 기존 모델보다 일관되게 우수한 성능을 보였습니다. 결론적으로, 고급 CNN 백본과 U-Net을 결합하면 CT 스캔에서 폐암의 분할과 분류를 위한 강력한 방법을 제공하여 조기 진단과 임상 의사 결정을 지원합니다.
