다중 주파수를 활용한 다중 스케일 주의 메커니즘을 통한 모달리티 무관한 도메인 일반화 의료 영상 세그멘테이션

딥 신경망에서의 일반화 능력은 의료 영상 분할에서 핵심적인 역할을 한다. 그러나 딥러닝 기반의 의료 영상 분석은 모달리티 무관성과 도메인 일반화 가능성을 달성하기 위해 필수적인 주파수 변동성의 중요성을 간과하는 경향이 있다. 또한 다양한 모델들은 깊은 감독 하에서 다중 작업 학습 시 발생할 수 있는 정보 손실 가능성에 대해 고려하지 못하며, 이는 모델의 표현 능력 저하를 초래할 수 있다. 이러한 문제를 해결하기 위해, 우리는 다중 모달리티에 관계없이 작동하고 다양한 도메인에 일반화 가능한 의료 영상 분할을 위한 모달리티 무관 도메인 일반화 네트워크(MADGNet)를 제안한다. MADGNet은 두 가지 핵심 구성 요소로 구성된다: 다중 주파수 다중 스케일 주의(MFMSA) 블록과 앙상블 하위 디코딩 모듈(E-SDM). MFMSA 블록은 다중 주파수 및 다중 스케일 특징을 통합함으로써 공간적 특징 추출 과정을 개선하며, 특히 경계 특징을 효과적으로 포착함으로써 조직 윤곽과 해부학적 구조에 대한 유용한 단서를 제공한다. 또한, 저해상도에서의 대규모 업샘플링 과정에서 특히 발생할 수 있는 다중 작업 학습과 깊은 감독 하에서의 정보 손실을 완화하기 위해 E-SDM을 제안한다. 우리는 MADGNet의 분할 성능을 여섯 가지 모달리티와 십오 개의 데이터셋에서 평가하였다. 광범위한 실험을 통해 MADGNet이 다양한 모달리티에서 최신 기술을 능가하는 일관된 성능을 보임을 입증하였으며, 뛰어난 분할 성능을 입증하였다. 이는 MADGNet이 다양한 영상 환경에서 뛰어난 성능을 발휘하는 강력한 의료 영상 분할 솔루션임을 확인한다. 본 연구의 MADGNet 코드는 GitHub 링크를 통해 공개되어 있다.