Grunnleggende konsepter
부정확한 박스 주석을 사용하여 폴립을 정확하게 분할할 수 있는 단조성 제약 기반의 새로운 방법 MonoBox를 제안한다.
Sammendrag
이 논문은 폴립 분할을 위한 새로운 박스 감독 학습 방법 MonoBox를 제안한다. 기존의 박스 감독 분할 방법들은 박스 경계가 정확히 타깃 경계에 닿아야 한다는 가정에 기반하지만, 이는 폴립 데이터에서 어려운 조건이다. MonoBox는 이러한 문제를 해결하기 위해 다음과 같은 핵심 기술들을 제안한다:
신뢰 구간(confident region)과 비신뢰 구간(unconfident region)을 정의하고, 비신뢰 구간에 대해 새로운 단조성 제약(monotonicity constraint, MC)을 적용한다. MC는 박스 내부 영역의 응답이 박스 외부 영역보다 높아야 한다는 제약을 통해 부정확한 박스 주석에 강인한 학습을 가능하게 한다.
예측 마스크를 이용하여 박스 주석의 정확도를 점진적으로 향상시키는 라벨 보정(label correction, LC) 전략을 도입한다. LC를 통해 비신뢰 구간을 점차 줄여나가며 학습 효율을 높인다.
실험 결과, MonoBox는 기존 방법들에 비해 공공 데이터셋에서 최대 5.5%, 자체 구축 데이터셋에서 최대 3.3% 더 높은 Dice 성능을 보였다. 이는 MonoBox가 부정확한 박스 주석에 강인한 폴립 분할 모델을 학습할 수 있음을 보여준다.
Statistikk
폴립 데이터셋에서 박스 주석의 부정확성으로 인해 기존 방법들의 성능이 크게 저하된다. 예를 들어 IBoxCLA 모델의 경우 깨끗한 데이터셋 대비 노이즈가 있는 데이터셋에서 Dice가 9.2% 감소한다.
Sitater
"기존 MIL 기반 박스 감독 분할 방법들은 박스 경계가 정확히 타깃 경계에 닿아야 한다는 가정에 기반하지만, 이는 폴립 데이터에서 어려운 조건이다."
"MonoBox는 부정확한 박스 주석에 강인한 폴립 분할 모델을 학습할 수 있음을 보여준다."