이 연구는 최근 제안된 다양한 딥러닝 모델들의 뇌졸중 병변 분할 성능을 비교 평가하였다. 순수 Transformer 기반 모델, CNN 기반 모델, CNN-Transformer 하이브리드 모델, 그리고 자기 적응형 nnU-Net 프레임워크 등을 ISLES 2022와 ATLAS v2.0 데이터셋에 적용하여 분석하였다. 그 결과, 가장 단순한 구조의 nnU-Net이 가장 우수한 성능을 보였으며, Transformer 기반 모델이 상대적으로 약한 성능을 나타냈다. 이는 뇌졸중 병변 분할에 있어 국소 정보가 전역 정보보다 더 중요하다는 것을 시사한다.
본 논문은 뇌졸중 병변 분할을 위한 최신 트랜스포머 기반 아키텍처를 종합적으로 검토하고 있다. 트랜스포머는 의료 영상 분석에서 복잡한 공간적 정보를 효과적으로 포착할 수 있는 능력을 보여주었으며, 이를 활용한 다양한 접근법이 제안되었다.
합성 데이터를 활용하여 다양한 영상 시퀀스에서 뇌졸중 병변을 안정적으로 분할할 수 있는 딥러닝 모델을 제안한다.