결장 폴립 세그멘테이션에 대한 종합적 연구: ResUNet++, 조건부 랜덤 필드 및 테스트 시간 증강을 활용하여

대장내시경 검사는 대장암 및 그 전단계 병변의 탐지에 있어 금표로 여겨진다. 그러나 기존의 검사 방법은 전반적인 누락률이 높아 많은 이상소견이 발견되지 못하는 문제가 있다. 고급 기계학습 알고리즘을 기반으로 한 컴퓨터 보조 진단(CAD) 시스템은 내시경 검사 중 의사가 간과할 수 있는 대장 내 영역을 식별하고 병변의 탐지 및 특성 분석을 지원할 수 있는 혁신적인 기술로 주목받고 있다. 이전 연구에서 우리는 ResUNet++ 아키텍처를 제안하였으며, 기존의 U-Net 및 ResUNet과 비교하여 더 효율적인 성능을 보임을 입증하였다. 본 논문에서는 조건부 랜덤장(CRF)과 테스트 시 증강(TTA) 기법을 활용함으로써 ResUNet++ 아키텍처의 전반적인 예측 성능을 추가로 향상시킬 수 있음을 보여준다. 우리는 공개된 6개의 데이터셋(Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB, ETIS-Larib Polyp DB, ASU-Mayo Clinic Colonoscopy Video Database, CVC-VideoClinicDB)을 활용해 광범위한 평가를 수행하고 성능 향상 여부를 검증하였다. 또한 제안한 아키텍처와 모델을 다른 최첨단 기법들과 비교 분석하였다. ResUNet++이 다양한 공개된 폴립 데이터셋에서 일반화 능력을 얼마나 갖추고 있는지를 탐구하기 위해 실제 임상 환경에서의 활용 가능성을 고려하여 광범위한 크로스-데이터셋 평가를 수행하였다. 실험 결과, CRF와 TTA를 적용함으로써 동일 데이터셋 내 및 크로스-데이터셋 상에서 다양한 폴립 세그멘테이션 데이터셋에서 성능이 향상됨을 확인할 수 있었다.