DKMA-ULD: 도메인 지식 강화된 다중 헤드 어텐션 기반 강인한 보편적 병변 탐지

깊은 네트워크에 데이터 특화된 영역 지식을 명시적으로 통합하면 병변 검출에 중요한 단서를 제공하고, 강건한 검출기 학습을 위해 다양한 이질적인 데이터셋이 필요한 문제를 완화할 수 있습니다. 본 논문에서는 컴퓨터 단층 촬영(CT) 스캔에 내재된 영역 정보를 활용하여, 단일 데이터셋인 DeepLesion에서 학습함으로써 전신의 모든 장기에 걸쳐 병변을 검출할 수 있는 강건한 보편적 병변 검출(ULD) 네트워크를 제안합니다. 우리는 휴리스틱하게 결정된 헌즈필드 유닛(HU) 윈도우를 사용하여 각각 다른 장기를 강조하는 다양한 강도의 CT 슬라이스를 분석하며, 이러한 이미지를 깊은 네트워크의 입력으로 제공합니다. 여러 강도 이미지에서 얻은 특징들은 새로운 컨볼루션 증강 다중 헤드 자기 주의 모듈을 통해 융합되며, 그 다음에는 병변 검출을 위한 영역 제안 네트워크(RPN)로 전달됩니다. 또한, 자연 이미지에서 RPN에 사용되는 전통적인 앵커 박스가 의료 이미지에서 자주 발견되는 병변 크기에 적합하지 않다는 것을 관찰했습니다. 따라서, 병변 특정 앵커 크기와 비율을 RPN에서 사용하여 검출 성능을 개선하기로 제안합니다. 우리는 자기 감독 학습을 통해 DeepLesion 데이터셋에서 네트워크의 가중치를 초기화하여 더욱 많은 영역 지식을 통합합니다. 제안된 영역 지식 증강 다중 헤드 주의 기반 보편적 병변 검출 네트워크 DMKA-ULD는 다양한 장기에 걸친 병변 주위에 정교하고 정확한 바운딩 박스를 생성합니다. 우리는 공개된 DeepLesion 데이터셋(전신의 모든 장기에 약 32,000개의 CT 스캔과 주석된 병변이 포함됨)에서 우리 네트워크의 효과성을 평가하였습니다. 결과는 우리가 기존 최신 방법들을 능가하며, 전체적으로 87.16%의 민감도를 달성하였음을 시사합니다.