PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13422v1cs.CV

SADL: ISLES 2026 만성 뇌졸중 병변 분할을 위한 크기 적응형 결정 층

SADL: A Size-Adaptive Decision Layer for Chronic Stroke Lesion Segmentation in ISLES 2026

만성 허혈성 뇌졸중 병변은 T1 강조 MRI에서 분할하기 어렵습니다. 병변의 외형이 건강한 조직과 겹치고 부피가 4자릿수(orders of magnitude)에 걸쳐 분포하므로, 복셀 수준(voxel-level) 지표와 병변 수준(lesion-level) 지표가 서로 상충하는 경우가 많습니다. 본 연구에서는 다섯 가지 설계 축을 다루는 11개 구성 요소의 nnU-Net 앙상블(ensemble)을 구축합니다. 이 축에는 기준선(baseline) Dice + top-K 손실(loss), 강력한 증강(heavy augmentation), 병변별 부피 손실 재가중치 부여(loss re-weighting), 확률적 가중치 평균화(SWA), 그리고 코호트 균형 샘플링과 잔차 인코더 백본을 결합한 샘플링 및 아키텍처 블록이 포함됩니다. 구성 요소들의 가중 소프트 맵 융합(weighted soft-map fusion) 결과는 튜닝된 결정 층인 SADL로 입력되며, SADL은 병변 부피를 추정하고 적응형 병변 크기별 임계값을 적용하며, 복셀 수와 피크 확률을 기반으로 컴포넌트를 가지치기(pruning)하고, '비어 있지 않음(never-empty)' 구제 단계를 추가합니다. 모든 융합 가중치(weight)와 버킷별 파라미터는 폴드 외(out-of-fold, OOF) 예측값을 기반으로 피팅되므로, 튜닝 과정에서 별도 보관된 테스트 세트를 전혀 참조하지 않습니다. 기관이 분리된 91건의 홀드아웃 데이터셋에서 챌린지의 공개 평가 코드로 온라인 점수를 매긴 결과, SADL은 Dice 0.7322, 병변 F1 0.7461, PR-AUC 0.8430을 달성했습니다. 기준 단일 앙상블 구성 요소와의 대응 비모수 부트스트랩 검정 결과 p=0.024에서 병변 F1 향상이 확인되었으며, 고정 임계값 적용 시 묵과되어 버려졌을 케이스들을 구제 단계가 복원해 냄으로써 작은 병변 구간에서 성능 향상이 가장 두드러졌습니다.

arXiv:2607.03568v1cs.CV

EPRA U-Net: 확산 강조 MRI에서 정확한 경색 분할을 위한 효율적 피라미드 잔차 어텐션 프레임워크

EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI

목적: 확산 강조 자기공명영상(DWI)에서 급성 허혈성 경색의 정확한 식별은 뇌혈관 사건 관리에서 신뢰할 수 있는 병변 정량화와 효과적인 임상 의사결정 지원을 위한 핵심 전제조건이다. 방법: 본 연구는 DWI 영상의 효율적이고 정확한 경색 분할을 위한 과제 특화 통합 아키텍처인 EPRA U-Net(Efficient Pyramid Residual Attention U-Net)을 제안한다. 제안된 아키텍처에서는 EfficientNet 기반 인코더를 최소화된 파라미터화로 계층적 특징 추출기로 활용하였다. 또한 공간 의존성 모델링 성능 향상을 위해 Residual-Recurrent(R2) 블록(원래 공식을 따라 순환 전개 단계 t = 2)과 Atrous Spatial Pyramid Pooling(ASPP)을 통합하였다. 아울러 이중 어텐션 메커니즘을 도입하여 병변 관련 활성화를 강조하는 동시에 불필요한 배경 응답을 억제하였다. 임상적 요구에 부합하는 병변 탐지 우선화를 위해, 최적화 과정에서 특이도보다 탐지 민감도를 강조하는 Tversky 손실 함수를 채택하였다. 결과: 4,895개의 DWI 슬라이스를 포함하는 167명의 환자로 구성된 자체 데이터셋을 활용하여 실험 평가를 수행하였으며, 제안된 EPRA U-Net의 성능을 최신 모델인 UNet++, DeepLabV3+, TransUNet과 비교 평가하였다. 실험 결과, EPRA U-Net은 픽셀 집계 Dice 0.8984, 샘플별 Dice 0.9469, IoU 0.8155, 재현율 0.8887, Lesion F1 0.9378, HD95 11.62 px로 우수한 성능을 달성하였다. 나아가 UNet++, DeepLabV3+, TransUNet 대비 병변 미탐지율이 각각 16%, 25%, 29% 감소하는 명확한 개선이 관찰되었다.