KiU-Net: 과완전 합성곱 구조를 이용한 생물의학적 이미지 및 볼륨 세그멘테이션

의료 이미지 분할을 위한 대부분의 방법은 U-Net 또는 그 변형을 사용합니다. 이는 U-Net 기반 접근법이 대부분의 응용 분야에서 성공적이었기 때문입니다. 이러한 "전통적인" 인코더-디코더 기반 접근법에 대한 상세한 분석 결과, 작은 구조를 감지하는 데 어려움이 있으며 경계 영역을 정확히 분할하지 못한다는 점을 발견했습니다. 이 문제는 인코더의 깊은 층으로 갈수록 수용 필드 크기가 증가하기 때문입니다. 고차원 특징 학습에 과도하게 집중함으로써 U-Net 기반 접근법은 작은 구조를 감지하는 데 중요한 저차원 특징에 대한 정보를 적게 학습하게 됩니다. 이 문제를 해결하기 위해, 입력 이미지를 고차원으로 투영하여 네트워크의 깊은 층에서 수용 필드 크기 증가를 제약하는 과완비 컨볼루션 아키텍처 사용을 제안합니다.우리는 새로운 이미지 분할 아키텍처인 KiU-Net을 설계하였습니다. KiU-Net은 두 가지 브랜치로 구성됩니다: (1) 세부 정보와 정확한 경계를 포착하는 데 중점을 둔 과완비 컨볼루션 네트워크인 Kite-Net, 그리고 (2) 고차원 특징을 학습하는 U-Net입니다. 또한, 우리는 볼륨 데이터의 분할을 위한 3D 컨볼루션 아키텍처인 KiU-Net 3D도 제안합니다. 우리는 초음파(US), 자기 공명 영상(MRI), 컴퓨터 단층 촬영(CT), 현미경 및 맥락막 이미지를 포함하는 다섯 개의 서로 다른 데이터셋에서 실험을 수행하여 KiU-Net에 대한 상세한 연구를 수행하였습니다. 제안된 방법은 최근의 모든 방법보다 더 우수한 성능을 보이며, 추가적으로 매개변수 수가 적고 수렴 속도가 빠른 장점이 있습니다. 또한, 잔여 블록과 밀집 블록 기반의 KiU-Net 확장 버전이 성능 향상에 더욱 기여함을 입증하였습니다.KiU-Net의 구현은 다음 링크에서 확인할 수 있습니다: https://github.com/jeya-maria-jose/KiU-Net-pytorch