QTSeg: 쿼리 토큰 기반의 다중 혼합 주의 프레임워크와 다단계 특성 분포를 이용한 의료 이미지 세그멘테이션

의료 이미지 분할은 의료 전문가들이 정확한 진단을 내리는 데 중요한 역할을 하며, 자동화된 진단 프로세스를 가능하게 합니다. 전통적인 컨볼루션 신경망(CNNs)은 종종 장거리 의존성을 포착하는 데 어려움을 겪지만, 트랜스포머 기반 아키텍처는 그 효과성에도 불구하고 계산 복잡도가 증가하는 문제가 있습니다. 최근 연구에서는 성능과 효율성을 균형있게 유지하기 위해 CNNs와 트랜스포머를 결합하는 데 중점을 두고 있지만, 여전히 고정밀 분할 정확도를 달성하면서 낮은 계산 비용을 유지하는 데 어려움이 있습니다. 또한 많은 방법들이 장거리 의존성 문제 해결에 주력하면서 CNN 인코더의 지역 공간 정보 포착 능력을 충분히 활용하지 못하고 있습니다. 이러한 한계를 극복하기 위해, 우리는 지역 정보와 전역 정보를 효과적으로 통합하는 새로운 아키텍처인 QTSeg를 제안합니다. QTSeg는 (1) 개선된 특징 정렬을 위한 크로스-어텐션 메커니즘, (2) 장거리 의존성을 포착하기 위한 공간 어텐션 모듈, (3) 채널 간 관계 학습을 위한 채널 어텐션 블록을 포함한 이중 혼합 어텐션 디코더를 특징으로 합니다. 또한, 인코더와 디코더 사이의 특징 전파를 적응적으로 균형 잡기 위한 다중 수준 특징 분배 모듈을 도입하여 성능 향상을 더욱 지원합니다. 다섯 개의 공개 데이터셋에서 다양한 분할 작업(병변, 폴립, 유방암, 세포 및 망막 혈관 분할 포함)에 대한 광범위한 실험 결과, QTSeg는 여러 평가 지표에서 최신 방법들을 능가하면서도 더 낮은 계산 비용을 유지함을 입증하였습니다. 우리의 구현은 다음 링크에서 확인하실 수 있습니다: https://github.com/tpnam0901/QTSeg (v1.0.0)