MEGANet: 약한 경계를 가진 폴립 세그멘테이션을 위한 다중 스케일 에지 가이드드 어텐션 네트워크

의료 분야에서 효율적인 폴립 세그멘테이션은 대장암의 조기 진단을 가능하게 하는 데 핵심적인 역할을 한다. 그러나 폴립의 세그멘테이션은 복잡한 배경 분포, 폴립의 크기와 형태의 다양성, 그리고 경계가 모호한 점 등 다양한 도전 과제를 안고 있다. 전경(즉, 폴립 자체)과 배경(주변 조직) 사이의 경계를 명확히 정의하는 것은 어렵다. 이러한 문제를 완화하기 위해, 내시경 영상 내 폴립 세그멘테이션에 특화된 다중 스케일 엣지 가이드 애티튜드 네트워크(Multi-Scale Edge-Guided Attention Network, MEGANet)를 제안한다. 이 네트워크는 전통적인 엣지 탐지 기법과 애티튜드 메커니즘의 융합에서 영감을 얻었다. 이러한 기법들을 결합함으로써 MEGANet는 신경망의 깊이가 증가함에 따라 소실되기 쉬운 고주파 정보, 특히 엣지와 경계를 효과적으로 보존할 수 있다. MEGANet는 엔코더, 디코더, 엣지 가이드 애티튜드 모듈(Edge-Guided Attention module, EGA)이라는 세 가지 핵심 모듈로 구성된 엔드투엔드 프레임워크로 설계되었다. 엔코더는 입력 영상으로부터 특징을 추출하고 추상화하는 역할을 하며, 디코더는 주목할 만한 특징에 집중한다. EGA 모듈은 라플라시안 연산자(Laplacian Operator)를 활용하여 폴립 경계를 강조한다. 다섯 개의 벤치마크 데이터셋을 대상으로 수행한 광범위한 정성적 및 정량적 실험 결과, MEGANet는 여섯 가지 평가 지표에서 기존의 최신 기술(SOTA) 방법들을 모두 상회함을 입증하였다. 본 연구의 코드는 https://github.com/UARK-AICV/MEGANet 에서 공개되어 있다.