U-Net 기반의 재귀적 잔차 컨볼루션 신경망(R2U-Net)을 이용한 의료 이미지 분할

최근 몇 년 동안 딥 러닝(DL) 기반 의미 분할 방법들이 최고 수준의 성능을 제공해 왔습니다. 특히 이러한 기술들은 의료 이미지 분류, 분할, 및 탐지 작업에 성공적으로 적용되어 왔습니다. 딥 러닝 기법 중 하나인 U-Net은 이러한 응용 분야에서 가장 인기 있는 방법 중 하나가 되었습니다. 본 논문에서는 U-Net을 기반으로 한 순환 합성곱 신경망(RCNN)과 U-Net 모델을 기반으로 한 순환 잔차 합성곱 신경망(RRCNN)을 제안하며, 각각 RU-Net과 R2U-Net으로 명명되었습니다. 제안된 모델들은 U-Net, 잔차 네트워크, 그리고 RCNN의 힘을 활용합니다. 이들 제안된 구조는 분할 작업에 있어 여러 가지 장점을 가지고 있습니다. 첫째, 잔차 유닛은 깊은 구조를 학습할 때 도움이 됩니다. 둘째, 순환 잔차 합성곱 층을 통한 특징 축적은 분할 작업에 대한 더 나은 특징 표현을 보장합니다. 셋째, 같은 수의 네트워크 매개변수로 더 나은 성능을 내는 의료 이미지 분할용 U-Net 구조를 설계할 수 있게 해줍니다. 제안된 모델들은 망막 이미지에서 혈관 분할, 피부암 분할, 폐 병변 분할 등 세 가지 벤치마크 데이터셋에서 테스트되었습니다. 실험 결과는 U-Net 및 잔차 U-Net(ResU-Net)과 같은 동등한 모델들보다 분할 작업에서 우수한 성능을 보임을 입증하였습니다.