U2-Net: 베이지안 U-Net 모델을 이용한 병리학적 OCT 스캔에서 광수용층 분할에 대한 인식 불확실성 피드백

본 논문에서는 병리학적 OCT 스캔에서 광수용층을 분할하기 위한 베이지안 딥러닝 기반 모델을 소개합니다. 제안된 아키텍처는 광수용층의 정확한 분할을 제공하며, 잠재적인 병변 또는 분할 오류 영역을 강조하는 픽셀 단위의 에피스테믹 불확실성 맵을 생성합니다. 우리는 이 접근법을 두 가지 세트의 병리학적 OCT 스캔(노인성 황반변성, 망막 정맥 폐색 및 당뇨병성 황반부종 환자)에서 경험적으로 평가하였으며, 기본 U-Net에 비해 Dice 지수와 정밀도/재현율 곡선 아래 면적 측면에서 성능 향상을 보였습니다. 또한 불확실성 추정치가 모델 성능과 역상관 관계를 보였음을 확인하였습니다. 이는 수동 검사/수정이 필요한 영역을 강조하는 데 유용함을 시사합니다.注释：- "베이지안 딥러닝" (Bayesian deep learning): 贝叶斯深度学习在韩语中通常这样翻译。- "OCT" (Optical Coherence Tomography): 光学相干断层扫描，这里直接使用英文缩写。- "Dice 지수" (Dice index): 用于评估分割性能的指标，通常这样翻译。- "정밀도/재현율 곡선 아래 면적" (area under the precision/recall curve): 评估模型性能的另一种指标，通常这样翻译。