Core Concepts
의료 영상 분할을 위해 다중 서브모델로 구성된 네트워크를 제안하며, 이를 통해 희소 레이블 데이터를 효과적으로 학습하고 레이블 및 무레이블 데이터의 불확실한 영역에서 모델 간 예측 차이를 최소화한다.
Abstract
이 논문은 의료 영상 분할을 위한 새로운 반지도 학습 프레임워크인 DiHC-Net을 제안한다. 이 프레임워크는 다음과 같은 특징을 가진다:
다중 서브모델 구조: 동일한 다중 스케일 아키텍처를 가지지만 업샘플링 및 정규화 레이어 등의 서브레이어가 다른 3개의 서브모델로 구성된다. 이를 통해 모델 간 다양성을 높인다.
깊이 감독 및 일관성 학습: 레이블 데이터에 대해 깊이 감독 손실을 적용하고, 레이블 및 무레이블 데이터에 대해 모델 간 상호 일관성 손실과 제안하는 대각선 계층적 일관성 손실을 적용한다. 이를 통해 희소 레이블 데이터를 효과적으로 학습하고 불확실한 영역에서의 예측 차이를 최소화한다.
실험 결과, 제안 방법인 DiHC-Net이 기존 방법들을 크게 능가하는 성능을 보였다. 특히 Left Atrium 및 Brain Tumor 데이터셋에서 우수한 결과를 달성했다.
Stats
레이블 데이터의 10%만 사용해도 Left Atrium 데이터셋에서 Dice 점수 90.42%, Jaccard 점수 82.58%를 달성했다.
레이블 데이터의 20%만 사용해도 Brain Tumor 데이터셋에서 Dice 점수 85.47%, Jaccard 점수 76.13%를 달성했다.
Quotes
"의료 영상 분할은 많은 임상 응용 분야에 필수적이며, 데이터 기반 딥러닝 기술을 통해 거의 인간 수준의 성능을 달성했다."
"그러나 이러한 성능은 방대한 양의 의료 영상을 수동으로 주석 처리하는 비용이 많이 드는 과정에 의존한다."