전체 해상도 네트워크와 이중 임계값 반복을 통한 망막 혈관 및 관상동맥 조영술 세그멘테이션

혈관 세그멘테이션은 질병 진단 및 수술 계획 수립에 있어 핵심적인 역할을 한다. 최근 딥러닝 기반의 혈관 세그멘테이션 기법은 뛰어난 성능을 보여주고 있다. 그러나 전통적인 U-형 세그멘테이션 네트워크에서는 얇고 대비가 낮은 혈관이 공간 정보를 쉽게 상실하는 문제로 인해 여전히 도전 과제가 있다. 이러한 문제를 완화하기 위해 우리는 다중 해상도 컨볼루션 상호작용 메커니즘을 통해 수평 및 수직 방향으로 확장하면서도 전체 이미지 해상도를 유지하는 새로운 단순한 전체 해상도 네트워크(FR-UNet)를 제안한다. FR-UNet에서는 특징 집합 모듈이 인접한 단계에서 얻은 다중 해상도 특징 맵을 통합하여 고수준의 맥락 정보를 보완한다. 또한 수정된 잔차 블록은 다중 해상도 표현을 지속적으로 학습하여 픽셀 단위의 정확도 예측 맵을 도출한다. 더불어 약한 혈관 픽셀을 추출하여 혈관의 연결성을 향상시키기 위해 이중 임계값 반복 알고리즘(DTI)을 제안한다. 제안된 방법은 망막 혈관 데이터셋(DRIVE, CHASE_DB1, STARE) 및 관상동맥 조영술 데이터셋(DCA1, CHUAC)에서 평가되었으며, 결과적으로 FR-UNet은 파라미터 수가 적은 상태에서 대부분의 데이터셋에서 최고 수준의 정밀도(Sen), AUC, F1 점수 및 IOU를 달성하며 최신 기술을 초월함을 입증하였다. 또한 DTI는 혈관의 연결성을 강화하면서 감도를 크게 향상시켰다.