IARS SegNet: 해석 가능한 주의력 잔차 스킵 연결 SegNet을 이용한 흑색종 분할

피부 병변 분할은 멜라노마의 컴퓨터 보조 진단에서 중요한 역할을 합니다. 딥 러닝 모델은 피부 병변을 정확히 분할하는 데 있어 잠재력을 보여주었지만, 실제 임상 환경에서의 광범위한 도입은 이들의 본질적인 블랙박스 특성으로 인해 제약을 받고 있습니다. 의료와 같은 중요한 영역에서는 해석 가능성(interpretability)이 단순히 기능이 아니라 모델 채택의 근본적인 요구사항입니다. 본 논문에서는 SegNet 베이스라인 모델을 기반으로 한 고급 분할 프레임워크인 IARS SegNet을 제안합니다. 우리의 접근 방식은 세 가지 핵심 구성 요소를 통합합니다: 스킵 연결(skip connections), 잔차 컨볼루션(residual convolutions), 그리고 전역 주의 메커니즘(global attention mechanism). 이러한 요소들은 특히 피부 병변의 윤곽과 같이 임상적으로 관련된 영역의 중요성을 강화하는 데 결정적인 역할을 합니다. 스킵 연결의 포함은 모델이 복잡한 윤곽 세부 정보를 학습하는 능력을 향상시키며, 잔차 컨볼루션의 사용은 깊은 모델 구축을 가능하게 하면서 필수적인 이미지 특징을 유지시킵니다. 전역 주의 메커니즘은 각 컨볼루션 및 디컨볼루션 블록에서 정교한 특징 맵을 추출하여 모델의 해석 가능성을 더욱 높이는 역할을 합니다. 이러한 개선 사항은 중요한 영역을 강조하고, 더 나은 이해를 촉진하며, 멜라노마 진단에 더 정확한 피부 병변 분할을 제공합니다.