초록
자동 폴립 세그멘테이션 기술은 종양 및 전암성 병변과 같은 장 질환 진단에 중요한 역할을 한다. 기존 연구들은 주로 라벨링된 데이터를 사용하여 컨볼루션 기반의 U-Net 또는 트랜스포머 기반의 신경망 아키텍처를 훈련해왔다. 그러나 현재 공개된 폴립 세그멘테이션 데이터셋의 규모가 너무 작아 네트워크를 충분히 학습시킬 수 없으며, 이로 인해 각 네트워크의 잠재적 성능이 제한된다. 이러한 문제를 완화하기 위해, 기존 데이터셋으로부터 더 많은 데이터를 합성하는 보편적인 데이터 증강 기술을 제안한다. 구체적으로, 폴립 영역을 동일한 이미지의 배경에 공간적으로 독립적인 방식으로 붙여서 다양한 조합의 새로운 이미지를 생성한다. 다양한 네트워크와 데이터셋을 대상으로 한 광범위한 실험 결과, 제안하는 방법이 데이터 효율성을 향상시키며 기준 모델 대비 일관된 성능 향상을 달성함을 확인하였다. 궁극적으로, 본 작업에서는 이 과제에서 새로운 최고 성능을 달성하였다. 코드는 곧 공개될 예정이다.