Core Concepts
본 연구에서는 고차 2D 선택적 스캔(H-SS2D)을 제안하여 SS2D의 우수한 전역 수용 영역을 유지하면서 중복 정보 도입을 최소화합니다. 또한 제안된 H-SS2D를 기반으로 고차 비전 상태 공간(H-VSS) 모듈을 구축하고, 이를 UNet 프레임워크와 결합하여 고차 비전 맘바 UNet(H-vmunet)을 제안합니다. 실험 결과, H-vmunet은 기존 비전 맘바 UNet 모델(VM-UNet)에 비해 매개변수를 67.28% 줄이면서도 3개의 공개 의료 영상 데이터셋에서 성능이 크게 향상되었습니다.
Abstract
본 연구는 의료 영상 분할을 위한 고차 비전 맘바 UNet(H-vmunet) 모델을 제안합니다.
-
고차 2D 선택적 스캔(H-SS2D) 제안:
- SS2D의 우수한 전역 수용 영역을 유지하면서 중복 정보 도입을 최소화합니다.
- 단계적 접근을 통해 각 차수의 상호작용을 수행하여 점진적으로 중복 정보의 가중치를 낮춥니다.
-
고차 비전 상태 공간(H-VSS) 모듈 구축:
- H-SS2D를 핵심 구성 요소로 하는 H-VSS 모듈을 제안합니다.
- H-VSS 모듈은 기존 비전 상태 공간(VSS) 모듈을 대체합니다.
-
고차 비전 맘바 UNet(H-vmunet) 모델 제안:
- H-VSS 모듈을 UNet 프레임워크와 결합하여 H-vmunet 모델을 구축합니다.
- H-vmunet은 비전 맘바를 고차 연산에 도입한 최초의 프레임워크입니다.
-
실험 결과:
- H-vmunet은 기존 VM-UNet 모델 대비 매개변수를 67.28% 줄였으며, 3개의 공개 의료 영상 데이터셋에서 성능이 크게 향상되었습니다.
- 고차 공간 상호작용 메커니즘과 비전 맘바의 결합이 의료 영상 분할 성능 향상에 효과적임을 확인했습니다.
Stats
의료 영상 분할 성능 지표:
ISIC2017 데이터셋: DSC 0.9172, SE 0.9056, SP 0.9831, ACC 0.9680
Spleen 데이터셋: DSC 0.9571, SE 0.9642, SP 0.9992, ACC 0.9987
CVC-ClinicDB 데이터셋: DSC 0.9087, SE 0.8803, SP 0.9940, ACC 0.9833
Quotes
"본 연구에서는 고차 2D 선택적 스캔(H-SS2D)을 제안하여 SS2D의 우수한 전역 수용 영역을 유지하면서 중복 정보 도입을 최소화합니다."
"제안된 H-SS2D를 기반으로 고차 비전 상태 공간(H-VSS) 모듈을 구축하고, 이를 UNet 프레임워크와 결합하여 고차 비전 맘바 UNet(H-vmunet)을 제안합니다."
"H-vmunet은 기존 VM-UNet 모델 대비 매개변수를 67.28% 줄였으며, 3개의 공개 의료 영상 데이터셋에서 성능이 크게 향상되었습니다."