Core Concepts
본 연구는 트랜스포머 아키텍처와 적응형 쿼리 프롬프팅(AQP)을 활용하여 다양한 의료 영상 데이터에 대한 범용적인 랜드마크 탐지 모델을 제안한다.
Abstract
이 연구는 다중 영역 랜드마크 탐지를 위한 범용 모델을 제안한다. 기존 방법들은 특정 해부학적 영역이나 작업에 최적화되어 있었지만, 본 연구에서는 트랜스포머 아키텍처와 적응형 쿼리 프롬프팅(AQP)을 활용하여 다양한 의료 영상 데이터에 대한 범용적인 모델을 개발했다.
AQP는 프롬프트 풀이라는 공유 메모리 공간에 저장된 프롬프트를 동적으로 선택하여 모델의 추론 과정을 안내한다. 이를 통해 모델의 성능을 향상시키면서도 추가 비용을 최소화할 수 있다. 또한 경량 디코더인 Light-MLD를 사용하여 새로운 작업에 대해서도 효율적으로 적용할 수 있다.
실험 결과, 제안된 Light-MLD와 AQP는 다양한 의료 영상 데이터셋(두부, 손, 흉부)에서 기존 최신 방법들과 비교하여 우수한 성능을 보였다. 특히 복잡한 구조 설계나 프레임워크 없이도 많은 지표에서 최고 성능을 달성했다.
Stats
두부 데이터셋에서 3mm 이내 정확도 89.61%를 달성하여 최고 성능을 보였다.
손 데이터셋에서 2mm 이내 정확도 96.27%로 최고 성능을 달성했다.
흉부 데이터셋에서 6px 이내 정확도 83.46%로 최고 성능을 보였다.
Quotes
"본 연구는 트랜스포머 아키텍처와 적응형 쿼리 프롬프팅(AQP)을 활용하여 다양한 의료 영상 데이터에 대한 범용적인 랜드마크 탐지 모델을 제안한다."
"AQP는 프롬프트 풀이라는 공유 메모리 공간에 저장된 프롬프트를 동적으로 선택하여 모델의 추론 과정을 안내한다."
"실험 결과, 제안된 Light-MLD와 AQP는 다양한 의료 영상 데이터셋에서 기존 최신 방법들과 비교하여 우수한 성능을 보였다."