D-UNet: 만성 뇌졸중 병변 분할을 위한 차원 융합 U형 네트워크

만성 뇌졸중으로 인한 병변의 위치와 범위를 평가하는 것은 의학적 진단, 수술 계획 수립, 그리고 예후에 있어 매우 중요합니다. 최근 몇 년간 2D 및 3D 컨벌루션 신경망(CNN)이 급속히 발전함에 따라, 인코더-디코더 구조는 의학 영상 분할 분야에서 큰 잠재력을 보여주고 있습니다. 그러나 2D CNN은 의학 영상의 3D 정보를 무시하며, 3D CNN은 높은 계산 자원 요구량을 갖는다는 단점이 있습니다. 본 논문에서는 인코딩 단계에서 2D와 3D 컨벌루션을 혁신적으로 결합한 새로운 아키텍처인 차원융합-UNet(D-UNet)를 제안합니다. 제안된 아키텍처는 2D 네트워크보다 더 우수한 분할 성능을 달성하면서도, 3D 네트워크에 비해 상당히 적은 계산 시간을 필요로 합니다. 또한, 네트워크 학습 시 양성 샘플과 음성 샘플 간의 데이터 불균형 문제를 완화하기 위해 새로운 손실 함수인 Enhance Mixing Loss(EML)를 제안합니다. 이 함수는 가중된 초점 계수를 추가하고 두 가지 전통적인 손실 함수를 결합합니다. 제안된 방법은 ATLAS 데이터셋에서 테스트되었으며 세 가지 최신 방법들과 비교되었습니다. 결과는 제안된 방법이 DSC = 0.5349±0.2763 및 정밀도 = 0.6331±0.295 측면에서 가장 우수한 성능을 달성하였음을 보여줍니다.