Alapfogalmak
다양한 장비와 프로토콜로 획득된 의료 영상에 적용 가능한 범용적인 의료 영상 분할 모델을 개발하기 위해, 부분적 또는 희소한 분할 레이블을 가진 다중 소스 데이터를 활용하는 비용 효율적인 접근법을 제안한다.
Kivonat
이 연구는 다양한 장비와 프로토콜로 획득된 의료 영상에 적용 가능한 범용적인 의료 영상 분할 모델을 개발하기 위한 비용 효율적인 접근법을 제안한다.
부분적 또는 희소한 분할 레이블을 가진 다중 소스 데이터를 활용하여 모델을 학습한다.
레이블 모호성, 데이터 불균형 등의 문제를 해결하기 위해 모델 자기 구분 메커니즘, 사전 지식 활용, 계층적 샘플링 기법을 도입한다.
실험 결과, 제안 방법은 기존 최신 방법들에 비해 우수한 성능을 보였으며, 비용 절감 및 모델 개발/배포/유지보수 효율성 향상에 기여할 것으로 기대된다.
Statisztikák
다양한 의료 영상 데이터셋(총 2,960개 영상)을 활용하여 실험을 수행하였다.
데이터셋은 7개의 공개 데이터셋(AbdomenCT-1K, AMOS, BTCV, FLARE 2022, NIH pancreas, TotalSegmentator, WORD)과 1개의 비공개 데이터셋(Urogram)으로 구성된다.
실험에서는 16개의 복부 구조물(비장, 우측 신장, 좌측 신장, 담낭, 식도, 간, 위, 대동맥, 하대정맥, 췌장, 우측 부신, 좌측 부신, 십이지장, 방광, 전립선/자궁, 문맥 및 비장정맥)을 분할 대상으로 하였다.