CT 스캔에서 효율적인 앵커 없는 보편적 병변 탐지

기존의 유니버설 레전 검출(Universal Lesion Detection, ULD) 방법들은 사전 정의된 앵커 박스에 의존하는 계산량이 많은 앵커 기반 아키텍처를 사용하여, 특히 작은 및 중간 크기의 레전에서 만족스럽지 않은 검출 성능을 보입니다. 또한 이러한 기본 고정 앵커 크기와 비율은 다양한 데이터셋에 대해 잘 일반화되지 않습니다. 따라서 우리는 객체와의 겹침보다는 중심점 기준으로 관련성을 정렬할 수 있다는 점을 활용하여, 다양한 레전 크기에 걸쳐 우수한 성능을 발휘할 수 있는 강건한 단계형 앵커 없는 레전 검출 네트워크를 제안합니다. 또한, 다중 HU 윈도우를 사용하여 생성된 다중 강도 이미지를 통해 도메인 특화 정보를 명시적으로 제공함으로써 ULD를 개선할 수 있음을 보여주며, 이는 자기 주의(self-attention) 기반 피처 융합과 CT 스캔에서 자기 지도 학습을 통해 얻은 가중치를 이용한 백본 초기화 과정을 따릅니다. 우리는 최신 방법들과 비교 가능한 결과를 얻었으며, 대략 32,000개의 CT 스캔으로 구성되고 여러 신체 장기에 대한 레전이 주석된 DeepLesion 데이터셋에서 전체 감도 86.05%를 달성하였습니다.