다중 커널 위치 임베딩 ConvNeXt를 이용한 폴립 세그멘테이션

의료 영상 분할은 특히 대장암에서 의사가 정확한 진단을 내릴 수 있도록 돕는 기술입니다. 특히, 환자 수의 증가에 따라 진단과 식별이 더 빠르고 정확해야 하는 필요성이 커졌습니다. 내시경 영상에서는 폴립이나 시스템 내 통증의 위치를 올바르게 식별하는 데 있어 분할 작업이 중요해졌습니다. 이에 따라 많은 연구가 딥러닝을 활용하여 폴립 분할을 자동화하는 데 초점을 맞추고 있으며, 주로 U-shape 구조를 개선하기 위해 노력하고 있습니다. 그러나 UNet의 간단한 스킵 연결 방식은 충분한 맥락 정보 부족과 인코더와 디코더 사이의 특성 맵 간 의미적 차이를 초래합니다. 이러한 문제를 해결하기 위해 우리는 ConvNeXt 백본과 다중 커널 위치 임베딩(Multi Kernel Positional Embedding) 블록으로 구성된 새로운 프레임워크를 제안합니다. 제안된 모듈 덕분에 우리의 방법은 폴립 분할 작업에서 더 나은 정확도와 일반화 능력을 달성할 수 있습니다. 광범위한 실험 결과, 우리의 모델은 Kvasir-SEG 데이터셋에서 Dice 계수 0.8818 및 IOU 점수 0.8163을 기록하였습니다. 또한 다양한 데이터셋에서 이전 최신 방법들과 경쟁력 있는 성능을 보여주었습니다.주요 용어 번역:- 의료 영상 분할 (Medical image segmentation)- 대장암 (Colorectal Cancer)- 내시경 영상 (Endoscopic images)- 폴립 (Polyps)- 딥러닝 (Deep learning)- U-shape 구조 (U-shape structure)- UNet (UNet)- 스킵 연결 방식 (Skip connection scheme)- 맥락 정보 (Context information)- 의미적 차이 (Semantic gap)- ConvNeXt 백본 (ConvNeXt backbone)- 다중 커널 위치 임베딩 (Multi Kernel Positional Embedding) 블록- Dice 계수 (Dice coefficient)- IOU 점수 (IOU score)