폴립 분할을 위한 얕은 주의 네트워크

정확한 폴립 분할은 대장암 진단에 매우 중요합니다. 그러나 강력한 딥 뉴럴 네트워크를 사용하더라도, 여전히 폴립 분할의 발전을 저해하는 세 가지 큰 과제가 존재합니다. (i) 다른 조건에서 수집된 샘플들은 일관되지 않은 색상을 보여, 특성 분포 차이와 과적합 문제를 초래합니다; (ii) 반복적인 특성 다운샘플링으로 인해 작은 폴립들이 쉽게 손상됩니다; (iii) 전경과 배경 픽셀 간의 불균형으로 인해 편향된 학습이 이루어집니다. 이러한 문제들을 해결하기 위해, 우리는 폴립 분할을 위한 얕은 주의망(Shallow Attention Network, SANet)을 제안합니다. 구체적으로, 색상의 영향을 제거하기 위해 이미지 내용과 색상을 분리하는 색상 교환 연산을 설계하고, 모델이 목표 형태와 구조에 더 집중하도록 유도합니다. 또한, 작은 폴립들의 분할 품질을 향상시키기 위해 얕은 특성의 배경 노이즈를 필터링하는 얕은 주의 모듈을 제안합니다. 얕은 특성의 고해상도 덕분에 작은 폴립들이 올바르게 유지될 수 있습니다. 또한, 작은 폴립들의 심각한 픽셀 불균형을 완화하기 위해 추론 단계에서 확률 수정 전략(Probability Correction Strategy, PCS)을 제안합니다. PCS는 학습 단계에서는 포함되지 않지만, 편향된 모델에서도 잘 작동하여 지속적으로 분할 성능을 개선시킵니다. 다섯 개의 도전적인 벤치마크에서 수행된 정량적 및 정성적 실험 결과는 우리가 제안한 SANet이 이전 최신 방법론들보다 크게 우수하며 약 72FPS의 속도를 달성함을 확인하였습니다.