17일 전

HistoSeg: 디지털 히스토로지 이미지에서 다중 구조 세그멘테이션을 위한 빠른 어텐션과 다중 손실 함수

Saad Wazir, Muhammad Moazam Fraz
HistoSeg: 디지털 히스토로지 이미지에서 다중 구조 세그멘테이션을 위한 빠른 어텐션과 다중 손실 함수
초록

의료 영상 세그멘테이션은 컴퓨터 보조 진단, 수술 및 치료에 도움을 줍니다. 조직 슬라이드 이미지를 디지털화하여 샘플 내의 샘플선, 세포핵 및 기타 생물학적 마커를 분석하고 세그멘테이션하는 데 사용되며, 이를 바탕으로 컴퓨터 보조 의료 응용 기술이 구현됩니다. 이러한 목적을 위해 많은 연구자들이 조직학적 영상에 대한 세그멘테이션을 수행하기 위해 다양한 신경망을 개발해 왔으며, 대부분의 네트워크는 인코더-디코더 아키텍처를 기반으로 하며 복잡한 주의 메커니즘 모듈이나 트랜스포머를 활용합니다. 그러나 이러한 네트워크는 다중 스케일에서 정확한 경계 탐지와 관련된 국소적 및 전역적 특징을 충분히 포착하지 못하는 한계가 있습니다. 이를 해결하기 위해 우리는 인코더-디코더 네트워크, 빠른 주의 모듈(Quick Attention Module), 그리고 다중 손실 함수(이진 교차 엔트로피(BCE) 손실, 포칼 손실(Focal Loss), 디크 손실(Dice Loss)의 조합)를 제안합니다. 제안한 네트워크의 일반화 능력을 MoNuSeg 및 GlaS라는 공개된 두 가지 의료 영상 세그멘테이션 데이터셋에서 평가한 결과, 최신 기술 대비 MoNuSeg 데이터셋에서 1.99% 향상, GlaS 데이터셋에서는 7.15% 향상된 성능을 달성하였습니다. 구현 코드는 다음 링크에서 확인할 수 있습니다: https://bit.ly/HistoSeg

HistoSeg: 디지털 히스토로지 이미지에서 다중 구조 세그멘테이션을 위한 빠른 어텐션과 다중 손실 함수 | 최신 연구 논문 | HyperAI초신경