Scale-Aware Curriculum Learning for Ddata-Efficient Lung Nodule Detection with YOLOv11
Created by
- Haebom
Category
Empty
저자
Yi Luo, Yike Guo, Hamed Hooshangnejad, Kai Ding
개요
흉부 CT 영상에서 폐 결절 감지는 폐암 조기 진단에 중요하지만, 기존 딥러닝 방식은 제한된 주석 데이터를 가진 임상 환경에서 어려움을 겪습니다. 커리큘럼 학습이 모델 훈련을 개선하는 데 유망하지만, 전통적인 정적 커리큘럼 전략은 데이터 부족 시나리오에서 실패합니다. 본 논문에서는 사용 가능한 데이터 규모에 따라 커리큘럼 설계를 동적으로 조정하는 새로운 훈련 전략인 SACL(Scale Adaptive Curriculum Learning)을 제안합니다. SACL은 (1) 적응형 에포크 스케줄링, (2) 어려운 샘플 주입, (3) 규모 인식 최적화의 세 가지 주요 메커니즘을 도입합니다. YOLOv11을 기본 감지기로 사용하여 LUNA25 데이터셋에서 SACL을 평가했습니다. 실험 결과에 따르면 SACL은 전체 데이터셋에서 mAP50 기준으로 정적 커리큘럼 학습과 유사한 성능을 달성했으며, 훈련 데이터의 10%, 20%, 50%에서 각각 4.6%, 3.5%, 2.0% 향상으로 데이터 제한 조건에서 상당한 이점을 보였습니다. SACL은 아키텍처 변경 없이 다양한 데이터 규모에서 강력한 훈련을 가능하게 함으로써, 제한된 주석 리소스를 가진 의료 기관에서 효과적인 폐 결절 감지 시스템을 개발할 수 있는 실용적인 솔루션을 제공합니다.
시사점, 한계점
•
시사점:
◦
데이터 규모에 따라 동적으로 조정되는 커리큘럼 학습 전략 제안
◦
데이터 부족 환경에서 기존 방식 대비 성능 향상 입증 (4.6%, 3.5%, 2.0% mAP50 향상)
◦
아키텍처 변경 없이 적용 가능하여 실제 의료 환경에 적용 용이
•
한계점:
◦
YOLOv11을 기반으로 한 실험으로, 다른 아키텍처에 대한 일반화 여부 확인 필요
◦
LUNA25 데이터셋에 대한 실험 결과만 제시되어, 다른 데이터셋에서의 성능 검증 필요
◦
개선된 성능의 구체적인 원인에 대한 추가적인 분석 필요
