Kernekoncepter
프리트레인된 Segment Anything Model을 활용하여 단일 소스 도메인에서 일반화 가능한 의료 영상 분할을 수행하기 위해, 도메인 적응형 프롬프트 생성 기법을 제안하였다.
Resumé
본 연구에서는 프리트레인된 Segment Anything Model(SAM)을 활용하여 단일 소스 도메인에서 일반화 가능한 의료 영상 분할을 수행하는 방법을 제안하였다.
먼저, 일반화 성능 향상을 위해 SAM 인코더의 각 층에 일반화 친화적인 어댑터를 도입하였다. 이를 통해 저수준 특징을 중간 특징에 통합하고, 채널 주의 메커니즘을 적용하여 일반화에 도움이 되지 않는 정보를 제거함으로써 더 강건한 특징 표현을 얻을 수 있었다.
또한, 프롬프트 생성 모듈을 제안하였다. 이 모듈은 학습 가능한 메모리 뱅크를 활용하여 소스 도메인의 지식을 저장하고, 이를 기반으로 타겟 도메인 이미지에 대한 도메인 적응형 프롬프트를 생성한다. 이를 통해 SAM의 마스크 디코더가 타겟 도메인 이미지에 더 잘 적응할 수 있도록 한다.
실험 결과, 제안한 DAPSAM 방법이 기존의 CNN 기반 및 SAM 기반 방법들에 비해 전반적으로 우수한 성능을 보였다. 특히 전립선 및 RIGA+ 데이터셋에서 최신 기술 대비 각각 2.44%, 1.30%의 성능 향상을 달성하였다.
Statistik
전립선 데이터셋에서 제안 방법(DAPSAM)은 기존 최고 성능 대비 2.44% 향상된 평균 DSC 점수를 달성하였다.
RIGA+ 데이터셋에서 제안 방법(DAPSAM)은 기존 최고 성능 대비 1.30% 향상된 평균 DSC 점수를 달성하였다.
Citater
"프리트레인된 SAM을 활용하여 단일 소스 도메인에서 일반화 가능한 의료 영상 분할을 수행하는 새로운 방법을 제안하였다."
"도메인 적응형 프롬프트 생성 모듈을 통해 SAM의 마스크 디코더가 타겟 도메인 이미지에 더 잘 적응할 수 있도록 하였다."
"제안한 DAPSAM 방법은 기존 CNN 기반 및 SAM 기반 방법들에 비해 전반적으로 우수한 성능을 보였다."