Core Concepts
본 연구에서는 합성 합성 신경망과 트랜스포머 신경망을 결합한 MugenNet 모델을 제안하여 대장 용종 이미지 분할 성능을 향상시켰다.
Abstract
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.
Stats
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.
Quotes
"Transformer는 자기 주의 메커니즘을 사용하여 계산 효율성이 높지만 정보 손실의 위험이 있다."
"MugenNet은 CNN과 트랜스포머의 장점을 결합하여 대장 용종 이미지 분할 성능을 향상시켰다."