DDANet: 자동 폴립 세그멘테이션을 위한 듀얼 디코더 어텐션 네트워크

대장내시경은 대장 폴립의 검사 및 진단에서 표준적인 방법으로 여겨진다. 폴립의 위치 특정 및 경계 추출은 치료(예: 수술 계획 수립) 및 예후 결정에 핵심적인 역할을 할 수 있다. 폴립 세그멘테이션은 임상 분석을 위한 정밀한 경계 정보를 제공할 수 있다. 컨볼루션 신경망(Convolutional Neural Networks)의 발전으로 대장내시경 영상 처리 성능이 향상되었지만, 폴립은 일반적으로 내부 및 외부 클래스 간의 다양성과 노이즈 등의 다양한 도전 과제를 안고 있다. 폴립 평가를 위한 수동 레이블링은 전문가의 시간을 요구하며, 인간의 오류(예: 병변 누락) 발생 가능성도 높다. 반면 자동화되고 정확하며 빠른 세그멘테이션 기법은 병변 경계의 정밀도를 향상시키고, 누락률을 감소시킬 수 있다. Endotect 챌린지는 공개된 Hyperkvasir 데이터셋을 기반으로 학습하고 별도의 미리 보지 못한 테스트 데이터셋에서 평가함으로써 컴퓨터 비전 기법을 비교 평가할 수 있는 기회를 제공한다. 본 논문에서는 이중 디코더 어텐션 네트워크 기반의 새로운 아키텍처인 ``DDANet''을 제안한다. 실험 결과, Kvasir-SEG 데이터셋에서 학습하고 미리 보지 못한 데이터셋에서 평가한 모델은 딱스 계수(Dice coefficient) 0.7874, mIoU 0.7010, 리콜(Recall) 0.7987, 정밀도(Precision) 0.8577을 달성하여 본 모델의 일반화 능력을 입증하였다.