CaraNet: 소형 의료 객체 분할을 위한 컨텍스트 축 반대 주의 네트워크

정확하고 신뢰할 수 있는 의료 영상 분할은 질병 진단 및 치료에 있어 매우 중요하다. 그러나 객체의 크기, 형태, 촬영 모달리티의 다양성으로 인해 이는 도전적인 과제이다. 최근에는 다양한 컨볼루션 신경망(Convolutional Neural Networks, CNN)이 분할 작업을 위해 설계되어 높은 성능을 달성하였다. 그러나 객체의 크기를 충분히 고려한 연구는 드물며, 이로 인해 대부분의 기존 모델은 소형 객체 분할에 있어 낮은 성능을 보이고 있다. 이러한 문제는 질병의 조기 발견에 중대한 영향을 미칠 수 있다. 본 논문에서는 최근 최신 기술들과 비교하여 소형 객체 분할 성능을 향상시키기 위해 Context Axial Reserve Attention Network(CaraNet)을 제안한다. 제안한 CaraNet은 뇌종양(BraTS 2018) 및 폴립(Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300, ETIS-LaribPolypDB) 분할 데이터셋을 대상으로 실험하였다. 실험 결과, CaraNet은 평균 Dice 분할 정확도에서 최상위 순위를 기록하였으며, 특히 소형 의료 객체에 대한 분할 성능에서 명확한 우수성을 입증하였다.