재귀적 주의 변환 네트워크: 소기관 분할을 위한 다단계 시각적 힌트 통합

우리는 복부 CT 스캔에서 소기관(예: 췌장)을 분할하는 것을 목표로 합니다. 대상이 입력 이미지에서 상대적으로 작은 영역을 차지하기 때문에, 깊은 신경망은 복잡하고 다양한 배경에 의해 쉽게 혼동될 수 있습니다. 이를 완화하기 위해 연구자들은 거칠기-정밀기 접근법을 제안했습니다. 이 방법은 첫 번째(거칠기) 단계의 예측을 사용하여 두 번째(정밀기) 단계의 더 작은 입력 영역을 지시합니다. 이 알고리즘은 효과적이었지만, 두 단계를 개별적으로 처리하였으며, 전역 에너지 함수의 최적화가 부족하여 다단계 시각적 힌트를 통합하는 능력이 제한되었습니다. 문맥 정보의 부족으로 인해 반복 과정에서 만족스럽지 않은 수렴이 이루어졌으며, 때때로 정밀기 단계가 거칠기 단계보다 낮은 분할 정확도를 생성하기도 했습니다.본 논문에서는 반복적 주요성 변환 네트워크(Recurrent Saliency Transformation Network)를 제시합니다. 핵심 혁신은 주요성 변환 모듈로, 이 모듈은 이전 반복 과정에서 얻은 분할 확률 맵을 공간 가중치로 변환하여 현재 반복 과정에 적용합니다. 이는 두 가지 장점을 제공합니다. 학습 시에는 서로 다른 입력 크기를 처리하는 깊은 신경망에 대한 공동 최적화를 가능하게 합니다. 테스트 시에는 여러 단계의 시각적 정보를 반복 과정 전체에 걸쳐 전파하여 분할 정확도를 향상시키습니다. NIH 췌장 분할 데이터셋에서 수행된 실험 결과, 기존 최고 성능보다 평균 2% 이상 높은 최고 수준의 정확도를 보여주었습니다. 또한 우리 스스로 수집한 더 큰 데이터셋에서 몇몇 소기관에 대해 더욱 높은 정확도가 보고되었습니다. 또한, 우리의 접근 방식은 더 나은 수렴 특성을 가지고 있어 실제 응용에서 효율性和 신뢰성이 높아집니다.注：在最后一句中，“高效性和可靠性”被翻译为“효율性和 신뢰성”，以符合韩语的表达习惯。