RWKV-UNet: 장거리 협력을 통해 개선된 UNet으로 효과적인 의료 이미지 분할 실현

최근 몇 년간 의료 이미지 분석을 위한 딥 러닝 기술이 크게 발전했습니다. 특히, 컨볼루션 신경망(CNNs)과 트랜스포머 모델에서 이러한 발전이 두드러집니다. 그러나 CNNs는 장거리 종속성을 포착하는 데 한계가 있으며, 트랜스포머는 높은 계산 복잡도를 겪고 있습니다. 이를 해결하기 위해, 우리는 RWKV(수용도 가중 키-값) 구조를 U-Net 아키텍처에 통합한 새로운 모델인 RWKV-UNet를 제안합니다. 이 통합은 모델의 장거리 종속성 포착 능력과 문맥 이해력을 향상시키며, 이는 정확한 의료 이미지 분할을 위해 필수적입니다. 우리는 개발된 역잔여 RWKV(IR-RWKV) 블록을 사용하여 CNNs와 RWKVs를 결합하여 강력한 인코더를 구축하였습니다. 또한, 다중 스케일 특징 융합을 통해 스킵 연결을 개선하고 전역 채널 정보 통합을 실현하기 위해 Cross-Channel Mix(CCM) 모듈을 제안합니다.Synapse, ACDC, BUSI, CVC-ClinicDB, CVC-ColonDB, Kvasir-SEG, ISIC 2017 및 GLAS 벤치마크 데이터셋에서 수행된 실험 결과, RWKV-UNet가 다양한 유형의 의료 이미지 분할에서 최신 수준의 성능을 달성함을 보였습니다. 또한, 작은 변형체인 RWKV-UNet-S와 RWKV-UNet-T는 정확성과 계산 효율성을 균형 있게 유지하여 더 넓은 임상 응용에 적합합니다.