DC-UNet: 의료 영상 세그멘테이션을 위한 이중 채널 효율적 CNN을 통한 U-Net 아키텍처의 재고

최근 들어 딥러닝은 컴퓨터 비전 분야에서 더욱 인기를 끌고 있다. 특히 컨볼루션 신경망(Convolutional Neural Network, CNN)은 이미지 세그멘테이션 분야에서 획기적인 성과를 거두었으며, 의료 영상 분야에서尤为 두드러진 성과를 보였다. 이러한 맥락에서 U-Net은 의료 영상 세그멘테이션 작업에서 주류 기법으로 자리 잡았다. U-Net은 일반적으로 다중 모달 의료 영상의 세그멘테이션에서 뛰어난 성능을 발휘할 뿐 아니라, 일부 복잡한 케이스에서도 뛰어난 결과를 도출한다. 그러나 우리는 기존의 U-Net 아키텍처가 여러 측면에서 한계를 지닌다는 점을 발견하였다. 이를 해결하기 위해 다음과 같은 개선을 시도하였다: 1) 인코더와 디코더에 효율적인 CNN 아키텍처를 설계하여 대체하고, 2) 인코더와 디코더 사이의 스케일 연결(skip connection)을 리지듀얼 모듈(residual module)로 교체하여 최신 기술 기준의 U-Net 모델 성능을 향상시켰다. 이러한 개선을 바탕으로, U-Net의 잠재적 후속 기술로 기대되는 새로운 아키텍처인 DC-UNet을 설계하였다. 우리는 새로운 효과적인 CNN 아키텍처를 개발한 후, 이를 기반으로 DC-UNet을 구축하였다. 실험 결과, 세 가지 복잡한 케이스를 포함한 데이터셋에서 기존의 U-Net 대비 각각 2.90%, 1.49%, 11.42%의 상대적인 성능 향상을 달성하였다. 또한, 회색조 영상 간 유사도 측정을 위해 기존의 자카르 유사도(Jaccard similarity) 대신 타니모토 유사도(Tanimoto similarity)를 도입하여 보다 정밀한 평가를 수행하였다.