ResNet (Residual Networks) ResNet은 깊은 네트워크에서 발생하는 그래디언트 소실 문제를 완화하는 기법을 도입한 아키텍처. ResNet 아키텍처는 50, 101, 152 레이어와 같이 다양한 깊이의 버전이 있으며, 더 깊은 네트워크가 복잡한 특징을 학습할 수 있다.

Inception (GoogLeNet) Inception 아키텍처는 다양한 크기의 커널과 함께 동시에 특징을 추출하는 구조를 가지고 있어 넓은 범위의 정보를 캡처할 수 있다. Inception 모델은 높은 분류 성능을 보이며, 의료 이미지에서도 유용하다.

DenseNet DenseNet은 각 레이어의 출력을 이전 레이어의 출력과 연결하여 "밀집" 구조를 형성하는 아키텍처. 이를 통해 그래디언트 및 특징 전파가 원활하게 이루어지며, 작은 데이터셋에서도 성능을 향상시킬 수 있다.

EfficientNet EfficientNet은 모델의 규모(scale)를 조정하여 계산 효율성과 성능을 균형있게 유지하도록 설계된 아키텍처. 작은 모델 크기에서도 높은 성능을 발휘하며, 의료 이미지 분류에서도 잘 적용될 수 있다.

Pre-trained 모델 활용 의료 이미지 분류 작업에서는 전이 학습을 활용하여 사전 학습된 모델의 가중치를 초기화하는 것이 유용하다. ImageNet과 같은 대규모 데이터셋에서 미리 학습한 가중치를 사용하여 초기 특징을 추출하고, 그 이후에 의료 데이터에 맞게 미세 조정(fine-tuning)하는 방식을 사용할 수 있다.