ScribbleVC: 시각 클래스 임베딩을 활용한 스크리블 지도의 의료 이미지 세그멘테이션

의료 영상 분할은 임상적 결정, 치료 계획 수립 및 질병 모니터링에서 핵심적인 역할을 한다. 그러나 고해상도 레이블링의 부족, 영상 노이즈, 환자 간 해부학적 차이 등의 요인으로 인해 의료 영상의 정확한 분할은 여전히 큰 도전 과제이다. 더불어 기존의 레이블 효율적인 방법과 완전히 감독되는 방법 사이에는 여전히 큰 성능 격차가 존재한다. 이러한 문제를 해결하기 위해, 본 연구에서는 다모달 정보 강화 기전을 통해 시각적 특징과 클래스 임베딩을 활용하는 새로운 스크리블 감독 기반 의료 영상 분할 프레임워크인 ScribbleVC를 제안한다. 또한 ScribbleVC는 CNN 특징과 Transformer 특징을 균일하게 활용하여 보다 우수한 시각적 특징 추출을 실현한다. 제안된 방법은 스크리블 기반 접근 방식과 분할 네트워크, 클래스 임베딩 모듈을 결합하여 정확한 분할 마스크를 생성한다. 우리는 세 가지 벤치마크 데이터셋에서 ScribbleVC를 평가하고 최첨단 기법들과 비교 분석하였다. 실험 결과, 본 방법은 정확도, 강건성 및 효율성 측면에서 기존 기법들을 모두 초월함을 입증하였다. 관련 데이터셋과 코드는 GitHub에 공개되었다.