Core Concepts
의료 영상 세분화를 위해 CNN과 트랜스포머 기반 하이브리드 인코더 구조를 제안하고, 이중 주의 집중 게이트 메커니즘을 통해 국부적 및 전역적 특징을 효과적으로 융합한다.
Abstract
본 연구는 의료 영상 세분화를 위한 새로운 하이브리드 아키텍처인 PAG-TransYnet을 제안한다. CNN, 트랜스포머, 융합 인코더 브랜치를 통합하여 기존 접근법의 한계를 해결하고 세분화 정확도를 향상시킨다. 핵심 혁신은 Att-Unet의 주의 집중 게이트를 개선한 이중 주의 집중 게이트 메커니즘이다. 이를 통해 다양한 인코더 브랜치에서 두드러진 특징을 효과적으로 추출하여 국부적 및 전역적 문맥 정보를 더욱 효과적으로 포착할 수 있다.
다양한 세분화 작업, 즉 복부 다기관 세분화, 감염 탐지(Covid-19 및 골 전이), 현미경 조직 세분화(선와 핵)에 대한 종합적인 평가를 통해 제안 방식이 최신 기술 수준을 능가하는 성능과 탁월한 일반화 능력을 보여줌을 입증한다. 이중 주의 집중 게이트 메커니즘을 통한 다양한 인코더 브랜치 특징의 효율적인 융합이 향상된 세분화 정확도와 견고성을 가능하게 한다.
본 연구는 의료 영상 세분화 기술의 발전을 위한 중요한 진전을 나타내며, 효율적이고 적응 가능한 세분화 솔루션을 제공하여 임상 의사 결정 프로세스를 지원한다.
Stats
복부 다기관 세분화 작업에서 제안 방식은 평균 Dice-Score와 HD95 지표에서 각각 5.95% 및 15.87 향상을 보였다.
Covid-19 감염 세분화 작업에서 제안 방식은 F1-Score와 Dice-Score에서 각각 2.73% 및 0.78% 향상을 보였다.
선와 및 핵 세분화 작업에서 제안 방식은 최신 기술 수준을 능가하는 성능을 달성했다.
Quotes
"의료 영상 세분화를 위해 CNN과 트랜스포머 기반 하이브리드 인코더 구조를 제안하고, 이중 주의 집중 게이트 메커니즘을 통해 국부적 및 전역적 특징을 효과적으로 융합한다."
"제안 방식은 다양한 세분화 작업에서 최신 기술 수준을 능가하는 성능과 탁월한 일반화 능력을 보여준다."