MSRF-Net: 생물의학 영상 분할을 위한 다중 스케일 잔차 융합 네트워크

컨볼루션 신경망 기반의 방법들은 생물의학 영상 분할 성능을 향상시켰다. 그러나 이러한 방법의 대부분은 크기가 다양하거나 소규모이며 편향된 데이터셋에서 학습하는 데 있어 효율적이지 못하며, 이는 생물의학 분야에서 흔히 발생하는 문제이다. 크기 변화에 따른 도전 과제를 해결하기 위해 다중 스케일 융합 기법을 도입한 방법들이 존재하지만, 일반적인 의미 분할 문제에 더 적합한 복잡한 모델을 사용하는 경우가 많다. 본 논문에서는 생물의학 영상 분할에 특화된 새로운 아키텍처인 다중 스케일 잔차 융합 네트워크(Multi-Scale Residual Fusion Network, MSRF-Net)를 제안한다. 제안된 MSRF-Net은 이중 스케일 밀집 융합(Dual-Scale Dense Fusion, DSDF) 블록을 활용하여 다양한 수용 영역(receptive field)을 갖는 다중 스케일 특징을 효과적으로 교환할 수 있다. DSDF 블록은 두 가지 다른 해상도 스케일 간에 정보를 정밀하게 교환할 수 있으며, MSRF 하위 네트워크는 여러 개의 DSDF 블록을 순차적으로 배치하여 다중 스케일 융합을 수행한다. 이를 통해 해상도를 유지하고 고수준 및 저수준 특징의 정보 흐름을 개선하며, 정확한 분할 맵을 생성할 수 있다. 제안된 MSRF-Net은 객체의 크기 변동성을 효과적으로 포착할 수 있으며, 다양한 생물의학 데이터셋에서 개선된 성능을 보여준다. 공개된 네 가지 데이터셋에 대한 광범위한 실험 결과를 통해, 제안된 방법이 최신 생물의학 영상 분할 기법들을 초월함을 입증하였다. 각각 Kvasir-SEG, CVC-ClinicDB, 2018 Data Science Bowl 데이터셋, ISIC-2018 피부 병변 분할 챌린지 데이터셋에서 딱스 계수(Dice coefficient)는 0.9217, 0.9420, 0.9224, 0.8824를 달성하였다. 또한 일반화 능력을 평가하기 위한 추가 실험을 수행한 결과, CVC-ClinicDB와 Kvasir-SEG에서 각각 0.7921 및 0.7575의 딱스 계수를 기록하였다.