본 논문은 CT 연구에서 범용 병변 검출 및 태깅(ULDT)을 위한 자기 학습 파이프라인을 제시합니다. DeepLesion 데이터셋의 11.5%에 VFNet 모델을 사전 학습시킨 후, 나머지 데이터셋에서 새로운 병변 후보를 식별하여 자기 학습을 반복적으로 수행합니다. 다양한 임계값 정책을 통해 높은 품질의 예측 병변을 선택하고 클래스 불균형을 해결하고자 하였습니다. 결과적으로, 클래스 균형을 고려한 업샘플링과 가변 임계값 정책을 사용한 자기 학습은 클래스 불균형 문제를 완화하고, 4개의 위양성(FP)에서 민감도를 6.5% 향상시켰습니다 (72%에서 78.5%로). 업샘플링 없이 동일한 자기 학습 정책을 사용한 경우보다 11.7% 향상된 결과입니다. 모든 8개 병변 클래스에서 민감도가 향상되거나 유지되었습니다.
