Core Concepts
PET/CT 영상에서 다양한 신경망 구조와 학습 전략을 활용하여 종양을 자동으로 분할하는 방법을 제안하고 성능을 비교 분석하였다.
Abstract
이 연구는 PET/CT 영상에서 종양을 자동으로 분할하기 위해 다양한 신경망 구조와 학습 전략을 분석하고 비교하였다. 두 가지 데이터셋(AutoPET, HECKTOR)을 사용하여 실험을 진행하였다.
AutoPET 데이터셋 실험:
U-Net, UNETR, nnU-Net 모델을 사용하여 종양 분할을 수행하였다.
종양이 있는 이미지만을 사용하여 학습한 경우, 전체 데이터셋을 사용한 경우보다 성능이 향상되었다.
두 단계 분할 방식을 적용하여 성능이 더 향상되었다.
HECKTOR 데이터셋 실험:
U-Net, UNETR, V-Net 모델을 사용하여 종양 분할을 수행하였다.
세 모델 모두 유사한 성능을 보였으며, V-Net이 가장 우수한 성능을 나타냈다.
통계적 분석 결과, 모델 간 성능 차이가 유의미한 것으로 확인되었다.
이 연구는 PET/CT 영상에서 종양을 자동으로 분할하는 데 있어 신경망 구조와 학습 전략의 중요성을 보여주었다. 특히 데이터셋 구성과 전처리 과정이 모델 성능에 큰 영향을 미치는 것으로 나타났다. 이러한 결과는 정확한 종양 진단을 위한 AI 기반 의료 영상 분석 기술 개발에 기여할 것으로 기대된다.
Stats
PET/CT 영상에서 종양 분할 시 Dice 계수는 0.39에서 0.84 사이의 값을 나타냈다.
종양이 있는 이미지만을 사용하여 학습한 경우, Dice 계수가 0.74에서 0.84로 향상되었다.
두 단계 분할 방식을 적용한 경우, Dice 계수가 0.73으로 향상되었다.
Quotes
"PET/CT 영상 분석을 통한 정확한 종양 진단은 환자 생존률 향상에 매우 중요하다."
"데이터셋 구성과 전처리 과정이 모델 성능에 큰 영향을 미치는 것으로 나타났다."
"AI 기반 의료 영상 분석 기술 개발이 종양 진단 및 치료에 기여할 것으로 기대된다."