Grad-CAM 설명 가능성을 갖춘 다중 클래스 흉부 X선 분류용 CBAM-강화 DenseNet121

폐렴은 전 세계적으로 어린이 사망의 주요 원인으로 남아 있으며, 방글라데시와 같은 저자원 환경에서는 방사선 전문의의 가용성이 제한되어 큰 부담이 됩니다. 기존의 대부분 딥러닝 접근법은 폐렴 탐지를 이진 문제로 취급하여 세균성과 바이러스성 병인 사이의 임상적으로 중요한 구분을 간과합니다. 본 논문은 Convolutional Block Attention Module(CBAM)을 DenseNet121에 통합한 전이 학습 프레임워크인 CBAM-DenseNet121을 제안하며, 세 가지 클래스 흉부 X선 분류(정상, 세균성 폐렴, 바이러스성 폐렴)를 수행합니다. 또한 체계적인 이진 과제 기준 연구를 수행하여 EfficientNetB3(73.88%)가 맞춤형 CNN 기준선(78.53%)보다 성능이 낮다는 실질적으로 중요한 의학 영상 모델 선택에 대한 부정적인 결과를 밝힙니다. CBAM-DenseNet121은 테스트 정확도 84.46%를 달성하였으며, 세균성 폐렴, 정상, 바이러스성 폐렴에 대해 각 클래스별 AUC 점수는 각각 0.9504, 0.9658, 0.9220입니다. Grad-CAM 시각화는 모델이 각 클래스에 대해 해부학적으로 합리적인 폐 부위에 주의를 기울임을 확인하여 자원이 제한된 임상 환경에서 해석 가능한 배포를 지원합니다. 색인어 — 흉부 X선; 폐렴 분류; CBAM 주의 메커니즘; DenseNet121; 전이 학습; Grad-CAM; 합성곱 신경망; 의학 영상 분류.