Kernekoncepter
본 연구에서는 합성 합성 신경망과 트랜스포머 신경망을 결합한 MugenNet 모델을 제안하여 대장 용종 이미지 분할 성능을 향상시켰다.
Resumé
이 연구에서는 합성 합성 신경망(CNN)과 트랜스포머 신경망을 결합한 새로운 모델인 MugenNet을 제안했다.
- CNN은 이미지의 지역적 특징을 잘 포착하지만 학습 시간이 오래 걸리는 단점이 있다.
- 트랜스포머는 자기 주의 메커니즘을 사용하여 계산 효율성이 높지만 정보 손실의 위험이 있다.
- MugenNet은 CNN과 트랜스포머의 장점을 결합하여 대장 용종 이미지 분할 성능을 향상시켰다.
- 5개의 공개 데이터셋에서 실험을 수행한 결과, MugenNet은 기존 CNN 모델 대비 우수한 성능을 보였다.
- 특히 가장 어려운 ETIS 데이터셋에서 평균 Dice 0.714를 달성하여 현재 최고 성능 모델 대비 13.7% 향상되었다.
- 또한 MugenNet은 기존 CNN 모델 대비 12% 더 빠른 이미지 처리 속도를 보였다.
Statistik
대장 용종 이미지 분할에서 MugenNet의 평균 Dice 점수는 0.714로, 기존 최고 성능 모델 대비 13.7% 향상되었다.
MugenNet의 이미지 처리 속도는 기존 CNN 모델 대비 12% 더 빠르다.
Citater
"Transformer는 자기 주의 메커니즘을 사용하여 계산 효율성이 높지만 정보 손실의 위험이 있다."
"MugenNet은 CNN과 트랜스포머의 장점을 결합하여 대장 용종 이미지 분할 성능을 향상시켰다."