임베디드 집단 지식을 위한 다중 수준의 컨텍스트 게이팅을 활용한 의료 영상 세그멘테이션

의료 영상 분할은 다양한 사례 간 해부학적 차이가 크기 때문에 매우 도전적인 과제였다. 최근 딥러닝 프레임워크의 발전으로 인해 영상 분할 작업에서 더 빠르고 정확한 성능이 달성되고 있다. 기존의 네트워크 중에서 U-Net은 의료 영상 분할에 성공적으로 적용된 바 있다. 본 논문에서는 U-Net을 확장한 새로운 모델을 제안하며, U-Net, 스queeze 및 엑사이트먼트(SE) 블록, 양방향 ConvLSTM(BConvLSTM), 그리고 밀집 컨볼루션(dense convolutions)의 메커니즘을 종합적으로 활용한다. (I) 우리는 U-Net 내부에 SE 모듈을 도입함으로써 분할 성능을 향상시켰으며, 모델 복잡도에는 거의 영향을 주지 않았다. 이 블록들은 특징 맵의 전역 정보를 통합한 자기 게이팅 메커니즘을 활용하여 채널별 특징 반응을 적응적으로 재조정한다. (II) 특징 전파를 강화하고 특징 재사용을 유도하기 위해 인코딩 경로의 마지막 컨볼루션 계층에 밀집 연결 컨볼루션을 적용한다. (III) U-Net의 스킵 연결에서 단순한 연결 방식 대신, 모든 네트워크 레벨에서 BConvLSTM을 사용하여 인코딩 경로에서 추출한 특징 맵과 이전 디코딩 업컨볼루션 계층의 특징 맵을 비선형적으로 결합한다. 제안된 모델은 DRIVE, ISIC 2017 및 2018, 폐 분할, $PH^2$, 세포 핵 분할 등 총 6개의 데이터셋에서 평가되었으며, 최신 기술 수준(SOTA)의 성능을 달성하였다.