피부 병변 이미지 데이터로 LeNet, ResNet, EfficientNet을 분석 및 성능비교 및 최적화하기-1 (With 챗지피티)

 

교수님께서 새로운 과제를 주셨어요 ~!

지피티가 투두리스트를 정리해 준 것에 따라 이번 과제(어쩌면 방학 중 마지막이 될 수도 있는 !! 그리고 드디어 그냥 공부가 아니라 실제 의료데이터로 하는 것만 같은!!)를 체계적으로 실행해볼게요 !!

 

■  최종 과제 목표

"LeNet, ResNet, EfficientNet을 분석하고, ISIC 2020 데이터셋(이미지 데이터)에 적용하여 하이퍼파라미터 튜닝을 통해 성능을 비교 및 최적화하는 것."

 

 

1. CNN 모델 분석

→ LeNet, ResNet, EfficientNet의 구조와 특징 이해

2. ISIC 2020 데이터셋 분석 

→ 이미지 데이터 구조 및 분포 확인

3. CNN 코드 분석 

→ 코드 흐름과 주요 함수 파악

4. 데이터 적용 및 하이퍼파라미터 튜닝 

→ 모델 학습 및 최적 하이퍼파라미터 탐색

5. 모델별 성능 비교 

→ 평가 지표를 기반으로 모델 성능 분석

6. 최적화 및 결론 도출 

→ 최적 모델 선정 및 추가 개선 가능성 검토

---

 

 

1️⃣ LeNet, ResNet, EfficientNet 모델 분석

📌 할 일

✅ 각 CNN 모델의 기본 개념과 동작 방식 이해
✅ 모델별 구조, 레이어 구성, 특징, 입력/출력 형태 정리
✅ 기존 연구나 문서 참고하여 주요 차이점 분석

🎯 세부 작업

• LeNet, ResNet, EfficientNet 논문 및 관련 자료 검토
• 각 모델이 해결하는 문제와 주요 특징 비교
• 구조(레이어 구성, 활성화 함수, 파라미터 수, 연산량 등) 정리

---

2️⃣ ISIC 2020 데이터셋 다운로드 및 분석

📌 할 일

✅ ISIC 2020 데이터셋 다운로드 (https://challenge2020.isic-archive.com/)

우리가 받은 데이터는 위 데이터셋이었지만, 찾아보니 캐글에도 같은 데이터로 진행되는 대회가 있었다.

https://www.kaggle.com/c/siim-isic-melanoma-classification/overview

SIIM-ISIC Melanoma Classification

 

 

 

 

데이터는 "피부 병변 이미지 데이터"이다.

 

피부 병변(Skin Lesion)은 피부의 정상적인 구조나 색이 변한 부위를 의미한다.
즉, 피부에 생긴 점, 주근깨, 반점, 혹, 염증, 종양 등 모든 이상 증상을 포함하는 용어이다.

 

 

공유받은 데이터에 여러가지 데이터셋이 있다(캐글 말고). 그 중 아래 4가지만 다운받았다.

 

 

• PEG 이미지 (Train: 23GB, Test: 6.7GB)
• Training Ground Truth (2MB) → 이미지 정답 라벨
• (선택) Metadata v2 (2MB) → 참고용(사용 안 해도 됨)

✅ 데이터셋이 어떤 형식인지 확인

1) 총 33,127개의 데이터가 포함된 Training Ground Truth 파일

 

 

 

위 칼럼 중에

 

benign : (양성, 비암성 병변)이면 점이나 주근깨 등을 가리키며 타겟은 0이고,

malignant : (악성 암성 병변)이면 흑색종이나, 기저세포암, 편평세포암 등

악성 종양을 나타내는 것으로 타겟은 1로 표현한다.

 

 

• 이미지 데이터셋의 샘플 시각화

-> malignant(1) 데이터가 적기 때문에 데이터 불균형 문제를 해결하는 것이 중요하다.

시각화를 통해 데이터 분포를 살펴봐야겠다.

 

• 데이터셋의 클래스 분포 확인

---

3️⃣ CNN 코드(LeNet, ResNet, EfficientNet) 분석

📌 할 일

✅ 전달받은 CNN 코드 확인 및 구조 분석
✅ 각 모델이 어떻게 구현되어 있는지 확인
✅ 데이터셋을 입력받는 방식과 forward 과정 이해

🎯 세부 작업

• 모델별 forward() 함수 확인 (입력 → 출력 흐름 분석)
• torchvision 또는 tensorflow.keras 사용 여부 확인
• dataloader와 데이터 전처리 부분 확인
• 모델 학습 루프(optimizer, loss function 등) 분석

---

4️⃣ 데이터셋을 CNN 코드에 적용하고 하이퍼파라미터 튜닝

📌 할 일

✅ ISIC 2020 데이터셋을 CNN 코드에 적용하여 학습
✅ 기본적인 하이퍼파라미터로 훈련 후 baseline 성능 확인
✅ 하이퍼파라미터 조정하면서 모델 성능 비교

🎯 세부 작업

• (1) 데이터 로딩 및 전처리
  • 이미지 크기 변환 (224x224 등 모델 요구 사항에 맞춤)
  • 데이터 증강(Augmentation) 여부 결정 (Flip, Rotation 등)
  • DataLoader 또는 tf.data.Dataset 생성
• (2) 기본 모델 학습
  • 기본 하이퍼파라미터 설정 (lr=0.001, batch_size=32 등)
  • 모델 학습 진행 (epoch 단위로 진행)
  • 초기 성능 확인
• (3) 하이퍼파라미터 튜닝
  • Learning rate, batch size, optimizer(RMSprop, Adam 등) 조정
  • Dropout, weight decay, 데이터 증강 등 적용 여부 실험
  • Early stopping, model checkpointing 적용

---

5️⃣ 각 모델별 성능 비교

📌 할 일

✅ 모델별 성능 지표 수집 및 비교
✅ 그래프 및 표로 성능 시각화
✅ 어떤 모델이 가장 적합한지 분석

🎯 세부 작업

• (1) 평가 지표 선정 및 계산
  • Accuracy, Precision, Recall, F1-score, AUC-ROC 등 측정
  • Loss 값 비교
• (2) 결과 시각화
  • Loss/Accuracy 그래프 그리기 (matplotlib, seaborn)
  • Confusion Matrix 분석
• (3) 모델별 특징 비교
  • 모델의 속도, 정확도, 학습 곡선 비교
  • 데이터셋 특성에 따라 어떤 모델이 적절한지 분석

---

6️⃣ 최적화 및 결론 도출

📌 할 일

✅ 모델 성능 최적화 시도
✅ 최종 모델 선정 및 결론 정리
✅ 향후 추가 개선점 논의

🎯 세부 작업

• (1) 최적 모델 선정
  • 가장 성능이 좋은 모델 선택
  • 최적 하이퍼파라미터 기록
• (2) 추가 최적화 시도
  • 모델 경량화 (BatchNorm, Pruning 등)
  • Transfer Learning 적용 고려
• (3) 최종 결과 정리
  • 모델별 성능 차이 요약
  • 교수님께 보고할 내용 정리