SelfReg-UNet: 의료 영상 분할을 위한 자기정규화 UNet

UNet이 도입된 이후로 다양한 의료 영상 분할 작업에서 선도적인 역할을 해왔다. 표준 UNet의 성능을 향상시키기 위한 수많은 후속 연구들이 존재하지만, UNet이 의료 영상 분할 과정에서 학습하는 본질적인 특징 패턴에 대한 심층적인 분석은 여전히 부족한 실정이다. 본 논문에서는 UNet이 학습하는 특징 패턴을 탐구하며, 성능에 영향을 미칠 수 있는 두 가지 중요한 요인을 관찰하였다: (i) 비대칭적 감독에 의해 유도된 관련 없는 특징 학습; (ii) 특징 맵 내 존재하는 특징 중복성. 이를 해결하기 위해, 인코더와 디코더 간의 감독 균형을 조정하고 UNet 내부의 중복 정보를 줄이는 방안을 제안한다. 구체적으로, 가장 많은 의미 정보를 포함하는 특징 맵(즉, 디코더의 마지막 층)을 활용하여 다른 블록에 추가적인 감독을 제공하고, 특징 증류(feature distillation) 기법을 통해 특징 중복을 줄이는 방식을 도입한다. 제안된 방법은 기존 UNet 아키텍처에 플러그 앤 플레이 방식으로 간편하게 통합 가능하며, 계산 비용은 거의 증가하지 않는다. 실험 결과, 제안한 방법이 네 가지 의료 영상 분할 데이터셋에서 표준 UNet의 성능을 일관되게 향상시킴을 보여주었다. 코드는 다음 URL에서 제공된다: \url{https://github.com/ChongQingNoSubway/SelfReg-UNet}