CT 슬라이스에서 보편적인 병변 탐지를 위한 지도 사전 학습을 활용한 3D 문맥 모델링 재검토

컴퓨터 단층 촬영(CT) 슬라이스에서의 보편적 병변 탐지는 포괄적인 질병 선별을 위해 중요합니다. 각 병변이 여러 인접한 슬라이스에 위치할 수 있으므로, 자동화된 병변 탐지 알고리즘 개발을 위해 3D 맥락 모델링은 매우 중요합니다. 본 연구에서는 깊이별 분리 컨볼루션 필터와 그룹 변환 모듈(GTM)을 활용하여 CT 슬라이스에서 보편적 병변 탐지를 위한 3D 맥락 강화 2D 특징을 효율적으로 추출하는 수정된 가상 3D 피라미드 네트워크(MP3D FPN)를 제안합니다. 더 빠른 수렴을 돕기 위해, 자연 이미지 영역에서 대규모 2D 객체 검출 데이터셋만을 사용하여 새로운 3D 네트워크 사전 학습 방법을 도출하였습니다. 이 새로운 사전 학습 방법을 통해 제안된 MP3D FPN은 DeepLesion 데이터셋에서 최고 수준의 검출 성능([email protected]의 감도에서 3.48% 절대 향상)을 달성하였으며, 2D 컨볼루션을 사용해 3D 맥락 모델링을 수행하는 기존 방법([email protected]에서 최대 6.06%)보다 크게 우수한 결과를 보였습니다. 또한, 제안된 3D 사전 학습 가중치는 다른 3D 의료 이미지 분석 작업의 성능 향상에도 활용될 가능성이 있습니다.