결정 불확실 영역에 대한 다양한 의미의 적응: 폴립 세그멘테이션에서의 적용

대장내시경 검사는 폴립의 탐지 및 치료에 널리 사용되는 효과적인 방법이다. 대장내시경 영상에서 폴립을 세분화하는 것은 진단 및 수술 과정에 있어 매우 유용하다. 그러나 폴립의 형태, 색상, 상태 등 특성과 주변 환경과의 명확한 구분이 어려운 점으로 인해 뛰어난 세분화 성능을 달성하는 것은 여전히 도전 과제이다. 본 연구에서는 대장내시경 영상에서 불확실 영역의 고유한 의미를 적응적으로 처리하는 새로운 아키텍처인 '불확실 영역에서의 고유 의미 적응을 위한 폴립 세분화 아키텍처(ADSNet)'를 제안한다. 이 아키텍처는 잘못 분류된 세부 정보를 수정하고, 최종 단계에서 소실되거나 탐지되지 않을 수 있는 약한 특징을 회복하는 능력을 갖추고 있다. 제안된 아키텍처는 보완적인 삼중 디코더를 통해 초기 전역 맵을 생성하며, 지속적 주의 모듈은 고수준 특징의 의미를 수정하여 초기 전역 맵의 두 가지 별개의 의미를 분석한다. 제안된 방법은 폴립 세분화 벤치마크에서 학습 능력과 일반화 능력에 대해 평가되었으며, 실험 결과는 기존 최첨단 기술 대비 뛰어난 보정 및 회복 능력을 입증하며, 더 우수한 세분화 성능을 달성함을 보여준다. 특히, 제안된 아키텍처는 CNN 기반 인코더, Transformer 기반 인코더 및 디코더 백본에 대해 유연하게 적용 가능하다.