17일 전

Hi-gMISnet: 고해상도 pGAN에 DWT 기반 다층 융합과 이중 모드 주의 메커니즘을 통합한 일반화된 의료 영상 세그멘테이션

{Md Kamrul Hasan, Tushar Talukder Showrav}
초록

목적. 자동 의료 영상 분할은 영상 내 목표 조직 영역을 배경 조직으로부터 정확히 분리하는 데 핵심적이며, 정밀한 진단 및 치료 절차를 가능하게 한다. 공개된 임상 데이터셋의 급속한 증가에 따라 딥러닝 기반의 의료 영상 분할 기법이 개발되었지만, 다양한 영상 모달리티에 걸쳐 일반화되고 정확하며 강건하고 신뢰할 수 있는 접근법은 여전히 확보되지 않은 상태이다.방법. 본 논문은 다양한 영상 모달리티에서의 의료 영상 자동 분할을 위한 새로운 고해상도 병렬 생성적 적대 신경망(pGAN) 기반의 일반화된 딥러닝 방법을 제안한다. 제안된 방법은 인코더에 부분 하이브리드 전이학습과 이산 웨이브릿 변환(DWT) 기반의 다층 및 다해상도 특징 융합, 그리고 다중 해상도 U-Net 기반 GAN의 디코더에 이중 모드 주의 게이트(dual mode attention gate)와 같은 새로운 구성 요소를 도입함으로써 우수한 성능과 일반화 능력을 발휘한다. 또한 pGAN에서 협동 학습을 강제하기 위한 고유한 역수 손실( reciprocal loss)을 포함한 다목적 적대 학습 손실 함수를 활용하여 분할 맵의 강건성과 정확도를 더욱 향상시킨다.주요 결과. PhysioNet ICH, BUSI, CVC-ClinicDB, MoNuSeg, GLAS, ISIC-2018, DRIVE, Montgomery, PROMISE12 등 9개의 다양한 공개 의료 영상 분할 데이터셋을 대상으로 수행된 실험 평가를 통해 제안된 방법의 우수한 성능이 입증되었다. 제안된 방법은 각각 79.53%, 88.68%, 82.50%, 93.25%, 90.40%, 94.19%, 81.65%, 98.48%, 90.79%의 평균 F1 스코어를 기록하며 기존 최고 성능의 분할 방법들을 초월하였다. 또한 제안된 방법은 다중 도메인 분할 능력이 뛰어나 일관되고 신뢰할 수 있는 성능을 보였다. 특히, 작은 세부 구조를 정확히 식별하는 모델의 능력을 평가한 결과, 고해상도 일반화 의료 영상 분할 네트워크(Hi-gMISnet)가 목표 영역이 매우 작을 때에도 더 정밀한 분할을 수행함을 확인하였다.의의. 제안된 방법은 의료 영상에 대해 강건하고 신뢰할 수 있는 분할 성능을 제공하며, 이는 환자 진단을 위한 임상 현장에서의 적용 가능성을 시사한다.