ESFPNet: 자외선 형광 기반 기관지 내시경 영상에서 실시간 병변 세그멘테이션을 위한 효율적인 딥러닝 아키텍처

폐암은 일반적으로 진행 단계에서 발견되며, 이로 인해 환자의 사망률이 높은 편이다. 따라서 최근 많은 연구가 조기 질환 탐지에 집중되고 있다. 기관지경은 폐암의 조기 징후(기관지 병변)를 비침습적으로 효과적으로 탐지할 수 있는 최적의 절차로 평가된다. 특히 자가형광 기관지경(autofluorescence bronchoscopy, AFB)은 정상 조직(녹색)과 병변 조직(적갈색)의 자가형광 특성을 서로 다른 색으로 구분함으로써 병변을 탐지할 수 있다. 최근 연구들은 AFB가 병변 탐지에 매우 높은 감도를 보이고 있음을 보여주며, 이로 인해 AFB는 기관지경 검사에서 잠재적으로 핵심적인 방법으로 부상하고 있다. 그러나 AFB 영상의 수동 검사는 매우 번거롭고 오류 발생 가능성이 높으며, 자동 AFB 병변 분석에 대한 연구는 여전히 제한적이다. 본 연구에서는 실시간 처리 속도(초당 27프레임)를 달성하는 딥러닝 아키텍처인 ESFPNet을 제안한다. 이는 AFB 영상 스트림에서 기관지 병변의 정확한 세그멘테이션과 강건한 탐지를 가능하게 한다. 제안된 아키텍처는 사전 훈련된 Mix Transformer(MiT) 인코더를 활용하는 인코더 구조와 효율적인 단계별 특징 피라미드(ESFP) 디코더 구조를 특징으로 한다. 20명의 폐암 환자에 대한 AFB 기관지 검사 영상에서의 세그멘테이션 결과를 분석한 결과, 제안한 방법은 평균 Dice 지수 0.756과 평균 교차율(Intersection over Union, IoU) 0.624을 기록하였으며, 최근의 다른 아키텍처들보다 우수한 성능을 보였다. 따라서 ESFPNet은 실시간 기관지경 검사 중 의사가 병변을 신뢰할 수 있게 정확하게 세그멘테이션하고 탐지할 수 있는 도구로 활용될 가능성이 있다. 또한, CVC-ClinicDB, ETIS-LaribPolypDB 데이터셋에서 최고 수준의 성능(SOTA)을 기록하며, Kvasir 및 CVC-ColonDB 데이터셋에서도 뛰어난 성능을 보여, 본 모델이 다른 분야에도 유망한 적용 가능성을 지닌다는 점을 입증하였다.