DUCK-Net을 활용한 폴립 이미지 세그멘테이션

이 논문은 소량의 의료 영상에서 효과적으로 학습하고 일반화할 수 있는 새로운 지도 학습 기반 컨볼루션 신경망 아키텍처인 'DUCK-Net'을 제안한다. 이 모델은 정확한 분할 작업을 수행할 수 있도록 설계되었으며, 인코더-디코더 구조를 기반으로 하며, 잔차 다운샘플링 메커니즘과 사용자 정의 컨볼루션 블록을 활용하여 인코더 부분에서 다양한 해상도의 영상 정보를 효과적으로 캡처하고 처리한다. 또한, 훈련 데이터셋을 풍부하게 하기 위해 데이터 증강 기법을 적용함으로써 모델의 성능을 향상시켰다. 제안된 아키텍처는 다양한 분할 작업에 적용 가능성이 높은 유연성을 지니고 있으나, 본 연구에서는 특히 대장내시경 영상에서의 폴립 분할에 대한 성능을 중심으로 그 가능성을 입증한다. 폴립 분할을 위한 주요 벤치마크 데이터셋인 Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB, ETIS-LARIBPOLYPDB에서 제안한 방법의 성능을 평가한 결과, 평균 Dice 계수, Jaccard 지수, 정밀도(Precision), 재현율(Recall), 정확도(Accuracy) 등에서 최신 기술 수준(SOTA)의 성능을 달성하였다. 본 연구의 접근법은 제한된 훈련 데이터 상황에서도 우수한 일반화 능력을 보여주며, 실제 임상 환경에서의 적용 가능성을 시사한다. 코드는 GitHub에서 공개되어 있으며, 다음 링크에서 확인할 수 있다: https://github.com/RazvanDu/DUCK-Net