PU-UNet: 의료 이미지 분할을 위한 안정적인 곱셈적 상호작용
PU-UNet: Stable Multiplicative Interactions for Medical Image Segmentation
많은 밀집 예측(dense prediction) 네트워크는 가산적 특징 변환에 의존하며, 고차 특징 상호작용은 암묵적으로만 모델링한다. Product unit은 곱셈적 특징 모델링을 위한 명시적 메커니즘을 제공하지만, 로그-지수(logarithmic--exponential) 형식은 수치적 불안정성을 유발할 수 있어 딥 밀집 예측 네트워크에서의 사용이 제한되어 왔다. 본 연구에서는 Product-Unit U-Net(PU-UNet)를 제안한다. 이는 의료 이미지 분할을 위해 안정적인 product-unit 잔차 블록을 풍부한 저해상도 단계에 통합한 잔차 U-Net이다. 제안된 형식은 부드러운 양수 매핑과 로그 영역 클리핑을 결합하여, 무시할 만한 계산 오버헤드로 안정적인 곱셈적 특징 학습을 가능하게 한다. ISIC 2018, Kvasir-SEG, BUSI에서 PU-UNet은 각각 Dice 점수 0.942, 0.959, 최대 0.925를 달성한다. 동일 조건의 Residual U-Net 기준선과 비교하면, PU-UNet은 파라미터, FLOPs, 추론 지연시간을 거의 동일하게 유지하면서 Dice와 IoU를 일관되게 개선하며, 정상 BUSI 사례에서 이미지 수준 false-positive 비율을 0.077에서 0으로 줄인다. Ablation 연구는 이러한 향상이 product-unit 상호작용과 관련되어 있으며, 저해상도 배치에서 가장 강하고, 제안된 안정화 설계의 이점을 받는다고 시사한다. 이러한 결과는 안정적인 product-unit 잔차 학습이 명시적 곱셈적 상호작용으로 U-Net 스타일 분할 네트워크를 향상시키는 효과적인 방법이 될 수 있음을 시사한다.