뇌졸중 병변 분할을 위한 상호 이익 적응형 네트워크

뇌졸중은 급성 혈관성 질환으로, 뇌 손상을 초래할 수 있다. 증가하는 발병률을 고려할 때, 방사선 전문의가 뇌졸중을 보다 효과적이고 정확하게 탐지할 수 있도록 자동화된 뇌졸중 병변 세그멘테이션 도구를 개발하는 것은 시급하며 중요한 과제이다. 기존의 딥러닝 모델은 이 작업을 상당히 발전시켰지만, 여전히 병변의 크기 변화가 크고 경계가 모호한 문제로 인해 세그멘테이션 성능이 크게 저하되고 있다. 본 논문에서는 이러한 문제를 해결하기 위해 크기 변화에 대한 대응 능력과 모호한 경계 구분 능력을 향상시키는 효과적이고 일반적인 학습 네트워크인 '상호 이득 적응형 네트워크(Mutual Gain Adaptive Network, MGAN)'를 제안한다. 본 연구의 주요 기여는 다음과 같다. 첫째, 단기 및 장기 공간적 종속성을 동시에 포착하는 상호 이득 적응형 유사성(Mutual Gain Adaptive Similarity, MGAS) 블록을 도입하였으며, 특징 유사성을 활용하여 전역적 맥락을 보다 잘 인코딩함으로써 다양한 크기의 뇌졸중 병변을 세그멘테이션하는 데 있어 특징 활성화를 강화한다. 둘째, 저차원 의미 특징에 대해 전역적 맥락 정보를 제공하는 글로벌 컨텍스트 인식(Global Context-Awareness, GCA) 블록을 설계하여, 픽셀의 위치 정보 복원을 촉진하고 모호한 경계를 명확히 구분할 수 있도록 한다. 제안된 네트워크는 공개된 데이터셋인 Anatomical Tracings of Lesions After Stroke(ATLAS)에서 평가되었으며, 광범위한 실험 결과를 통해 최신 기술 대비 우수한 성능을 입증하였다.