Core Concepts
2.5D 의료 영상의 단면 내 및 단면 간 공간 관계를 효과적으로 학습하여 정확한 분할을 달성하는 유연한 2.5D 분할 모델 CSA-Net을 제안한다.
Abstract
이 논문은 2.5D 의료 영상 분할을 위한 CSA-Net이라는 새로운 모델을 소개한다. 2.5D 영상은 높은 in-plane 해상도와 낮은 through-plane 해상도를 가지는데, 이러한 특성으로 인해 기존의 2D 및 3D 분할 모델로는 한계가 있다.
CSA-Net은 다음과 같은 핵심 모듈을 포함한다:
단면 간 주의 집중(Cross-Slice Attention) 모듈: 중심 단면과 인접 단면 간 상관관계를 학습하여 3D 공간 정보를 효과적으로 캡처한다.
단면 내 주의 집중(In-Slice Attention) 모듈: 중심 단면 내 픽셀 간 상관관계를 학습하여 2D 특징을 보강한다.
비전 트랜스포머 인코더: 단면 간/내 주의 집중 모듈의 출력을 통합하여 전역적인 특징 표현을 학습한다.
이 모델은 3가지 2.5D 분할 과제(다중 클래스 뇌 MRI, 이진 전립선 MRI, 다중 클래스 전립선 MRI)에서 기존 최신 모델들을 뛰어넘는 성능을 보였다. 이는 CSA-Net이 2.5D 영상의 단면 간 및 단면 내 공간 관계를 효과적으로 학습할 수 있음을 입증한다.
Stats
뇌 MRI 데이터셋에서 CSA-Net은 뇌 분할 Dice 계수를 0.957에서 0.967로, 뇌실 분할 Dice 계수를 0.809에서 0.826으로 향상시켰다.
Promise12 데이터셋에서 CSA-Net은 전립선 분할 Dice 계수를 0.910에서 0.921로, Hausdorff 거리를 1.14mm에서 1.06mm로 개선했다.
ProstateX 데이터셋에서 CSA-Net은 전립선 구역(전이대, 주변대, 요도, 전방섬유근) 분할의 평균 Dice 계수를 0.647에서 0.659로, 평균 Hausdorff 거리를 2.97mm에서 2.71mm로 향상시켰다.
Quotes
"CSA-Net은 단면 간 주의 집중 모듈과 단면 내 주의 집중 모듈을 통해 2.5D 영상의 공간 관계를 효과적으로 학습하여 정확한 분할 결과를 달성한다."
"CSA-Net은 기존 2D 및 2.5D 분할 모델들을 뛰어넘는 성능을 보여, 2.5D 영상 분할 문제에서의 우수성을 입증했다."