MULAN: 다중 작업 유니버설 레전 분석 네트워크를 이용한 병합 레전 탐지, 태깅 및 세그멘테이션

의료 영상(예: 컴퓨터 단층 촬영(CT))을 읽을 때, 방사선과 의사들은 일반적으로 영상 전체를 탐색하여 병변을 찾아내고, 그 특성을 분석하고 측정한 후 방사선학적 보고서에 설명합니다. 이 과정을 자동화하기 위해, 우리는 다양한 신체 부위에서 병변의 검출, 태깅 및 분할을 동시에 수행하는 다중태스크 보편적 병변 분석 네트워크(MULTITASK UNIVERSAL LESION ANALYSIS NETWORK, MULAN)를 제안합니다. 이는 특정 신체 부위에 대한 단일태스크 병변 분석 연구를 크게 확장합니다. MULAN은 세 개의 헤드 브랜치와 3D 특성 융합 전략을 갖춘 개선된 Mask R-CNN 프레임워크 기반으로 구축되었습니다. DeepLesion 데이터셋(전신에 32,000개의 병변이 포함됨)에서 검출 및 태깅 작업의 정확도가 최고 수준을 달성하였습니다. 또한 세 가지 작업 간의 관계를 분석하고, 점수 수정 계층(score refinement layer)을 통해 태깅 예측이 검출 정확도를 향상시킬 수 있음을 보여주었습니다.