IterNet: 혈관 네트워크의 구조적 중복성을 활용한 망막 이미지 세그멘테이션

망막 혈관 분할은 망막 혈관 질환 진단에 있어 매우 중요한 주제이다. 혈관 분할 성능을 더욱 향상시키기 위해, 본 연구에서는 기존 UNet 기반의 새로운 모델인 IterNet을 제안한다. IterNet은 원시 입력 이미지가 아닌 분할된 혈관 이미지 자체에서 숨겨진 세부 정보를 탐지할 수 있는 능력을 갖추고 있다. IterNet은 여러 번 반복되는 미니-UNet 구조로 구성되어 있으며, 일반적인 UNet보다 최대 4배 깊이가 깊어질 수 있다. 또한, 가중치 공유(weight-sharing)와 스킵 연결(skip-connection) 기법을 도입하여 학습을 용이하게 하였으며, 이로 인해 매우 큰 아키텍처임에도 불구하고 사전 훈련 없이 단지 10~20장의 레이블링된 이미지만으로도 효과적으로 학습이 가능하다. IterNet은 주요 세 가지 데이터셋인 DRIVE, CHASE-DB1, STARE에서 각각 AUC 0.9816, 0.9851, 0.9881을 달성하여 현재까지 보고된 최고 성능을 기록하였다. 관련 소스 코드는 공개되어 있다.