X-Net: Depthwise Separable Convolution 및 Long-range Dependencies를 기반으로 한 뇌졸중 병변 분할

최근 몇 년간 뇌졸중의 발병률이 급격히 증가하였습니다. 병변 측정과 치료 계획을 돕기 위해 임상 실무에서 자동 분할 방법이 필수적으로 요구되고 있습니다. 최근에는 딥러닝 기반 접근법과 문맥 정보 추출 방법이 많은 이미지 분할 작업에 활용되고 있습니다. 그러나 이들의 성능은 대량의 매개변수를 충분히 학습하지 못하여 때때로 장거리 의존성을 포착하지 못하는 문제가 있습니다. 이러한 문제를 해결하기 위해, 우리는 장거리 의존성을 포착하도록 설계된 비국소 연산인 Feature Similarity Module(FSM)을 도입한 depthwise separable convolution 기반의 X-Net을 제안합니다. 사용된 depthwise convolution은 네트워크 크기를 줄이는 데 도움을 주며, 개발된 FSM은 더 효과적인 밀도 있는 문맥 정보 추출을 제공하여 보다 우수한 분할을 촉진합니다. X-Net의 효과성은 Anatomical Tracings of Lesions After Stroke(ATLAS)라는 공개 데이터셋에서 평가되었으며, 다른 6가지 최신 접근법보다 우수한 성능을 달성하였습니다. 우리의 코드와 모델은 https://github.com/Andrewsher/X-Net에서 이용 가능합니다.