한 번 통과하는 다중 작업 네트워크와 교차 작업 안내 주의력 기반 뇌 종양 분할

클래스 불균형은 의료 이미지 분할에서 주요한 도전 과제로 부각되고 있습니다. 모델 캐스케이드(MC) 전략은 코어스 투 파인(coarse-to-fine) 분할을 위해 개별 딥 모델 세트를 실행함으로써 클래스 불균형 문제를 크게 완화시킵니다. 그러나 이 방법은 시스템 복잡성을 초래하고, 모델 간의 상관관계를 무시하는 단점이 있습니다. 이러한 문제점을 해결하기 위해, 우리는 MC보다 더 나은 클래스 불균형 해결 능력을 가지면서도 단일 패스 계산만을 요구하는 경량 딥 모델인 원패스 멀티태스크 네트워크(OM-Net)를 제안합니다.첫째, OM-Net은 별도의 분할 작업들을 하나의 딥 모델로 통합하여 공유 매개변수를 통해 공동 특징을 학습하고, 작업 특异性 매개변수를 통해 차별적 특징을 학습합니다. 둘째, OM-Net을 보다 효과적으로 최적화하기 위해, 작업 간의 상관관계를 활용하여 온라인 학습 데이터 전송 전략과 커리큘럼 학습 기반의 학습 전략을 설계하였습니다. 셋째, 작업 간 예측 결과 공유와 함께 카테고리 특이적 통계에 기반하여 채널별 특징 반응을 적응적으로 재조정할 수 있는 크로스-태스크 가이디드 어텐션(CGA) 모듈을 설계하였습니다. 마지막으로, 간단하면서도 효과적인 후처리 방법을 소개하여 분할 결과를 정교하게 다듬습니다.광범위한 실험을 수행하여 제안된 기술들의 유효성을 입증하였습니다. 특히, BraTS 2015 테스트 세트와 BraTS 2017 온라인 검증 세트에서 최상의 성능을 달성하였습니다. 또한 이 제안된 접근법들을 사용하여 64개 참가팀 중 공동 3위를 차지한 BraTS 2018 챌린지에서도 우승하였습니다. 코드는 https://github.com/chenhong-zhou/OM-Net 에서 공개적으로 이용 가능합니다.