PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.13812v1eess.IV

TCAM-Diff: 트라이플레인 인식 교차 어텐션 의료 확산 모델

TCAM-Diff: Triplane-Aware Cross-Attention Medical Diffusion Model

우리는 고해상도 3D 데이터를 인코딩하고 생성하는 데 필요한 메모리 요구량을 줄이는 새로운 3D 의료 영상 생성 모델인 TCAM-Diff를 제안한다. 이 모델은 밀집 볼륨(dense volume)으로부터 트라이플레인(triplane) 표현을 학습하기 위해 디코더 전용 오토인코더(decoder-only autoencoder) 방식을 이용하며, 과적합을 방지하기 위해 일반화(generalization) 연산을 활용한다. 이후 트라이플레인 인식 교차 어텐션(cross-attention) 확산 모델을 사용하여 이러한 특징을 효과적으로 학습하고 통합한다. 또한 확산 모델이 생성한 특징은 사전학습(pre-trained) 디코더 모듈을 사용하여 3D 볼륨으로 빠르게 변환할 수 있다. BrainTumour 128 x 128 x 128, Pancreas 256 x 256 x 256, Colon 512 x 512 x 512의 서로 다른 규모를 갖는 세 가지 의료 데이터셋에서의 실험은 뛰어난 결과를 보여준다. 재구성(reconstruction) 품질 평가에는 MSE와 SSIM을 사용하였고, 생성 품질 평가에는 바셔슈타인 생성적 적대 신경망(Wasserstein Generative Adversarial Network, W-GAN) critic을 활용하였다. 기존 접근법과의 비교에서, 우리 방법은 유사한 크기의 잠재 공간(latent space)을 갖는 다른 인코더-디코더 방식보다 더 나은 재구성 및 생성 결과를 제공함을 보여준다.