arXiv:2606.06537v1 q-bio.QM

DSU-Net: 유방촬영 영상에서 유방 병변 분할을 위한 어텐션 강화 밀집 스킵 U-Net

DSU-Net: An Attention-Enhanced Dense Skip U-Net for Breast Lesion Segmentation in Mammographic Images

Reza Bozorgpour, Mohammadreza Soltany Sadrabadi

제출 2026-06-03

한국어 초록

유방암은 전 세계 여성의 암 관련 사망 원인 중 하나로, 효과적인 치료를 위해 조기 발견이 필수적이다. 유방촬영술(mammography)은 주요 선별 검사 방식이지만, 의심 병변의 정확한 경계 구분은 여전히 어렵고 판독자 간 변동성의 영향을 받는다. 자동화된 분할(segmentation) 방법은 일관적이고 효율적인 병변 위치 파악을 통해 방사선과 의사를 보조할 수 있다. 본 연구는 유방촬영 영상에서 유방 병변의 자동 분할을 위한 어텐션 강화 밀집 스킵 U-Net 아키텍처인 DSU-Net을 제안한다. 제안된 프레임워크는 밀집 스킵 연결(dense skip connections)과 어텐션 메커니즘을 통합하여 특징 전파를 개선하고, 공간 정보를 보존하며, 병변 경계 묘사를 향상시킨다. 실험은 CBIS-DDSM(Curated Breast Imaging Subset of the Digital Database for Screening Mammography) 데이터셋을 사용하여 수행되었다. 극심한 전경-배경 불균형을 해소하기 위해, 학습 시 Dice 손실, focal 손실, 이진 교차 엔트로피 손실을 결합한 복합 손실 함수를 적용하였다. 제안된 모델은 검증 데이터셋에서 Dice 유사도 계수(Dice Similarity Coefficient) 0.9421, IoU(Intersection over Union) 0.8905, 정확도 0.9711, AUC-ROC 0.9878을 달성하였다. 정성적 평가에서는 다양한 크기와 형태의 병변에 대한 정확한 경계 묘사가 확인되었으며, 정량적 결과는 병변과 배경 영역 간의 강인한 판별력을 입증하였다. 이러한 결과는 DSU-Net이 유방촬영 영상에서 정확하고 신뢰할 수 있는 유방 병변 분할을 제공함을 보여주며, 컴퓨터 보조 유방암 선별 및 진단을 위한 어텐션 기반 심층 학습의 가능성을 부각시킨다.

원문 초록

Breast cancer remains one of the leading causes of cancer-related mortality among women worldwide, making early detection essential for effective treatment. Mammography is the primary screening modality; however, accurate delineation of suspicious lesions remains challenging and subject to inter-observer variability. Automated segmentation methods can assist radiologists by providing consistent and efficient lesion localization. This study presents DSU-Net, an attention-enhanced Dense Skip U-Net architecture for automated breast lesion segmentation in mammographic images. The proposed framework integrates dense skip connections and attention mechanisms to improve feature propagation, preserve spatial information, and enhance lesion boundary delineation. Experiments were conducted using the Curated Breast Imaging Subset of the Digital Database for Screening Mammography (CBIS-DDSM). To address severe foreground-background imbalance, a composite loss function combining Dice loss, focal loss, and binary cross-entropy loss was employed during training. The proposed model achieved a Dice Similarity Coefficient of 0.9421, an Intersection over Union of 0.8905, an accuracy of 0.9711, and an AUC-ROC of 0.9878 on the validation dataset. Qualitative evaluation demonstrated accurate delineation of lesions with varying sizes and morphologies, while quantitative results confirmed robust discrimination between lesion and background regions. These findings demonstrate that DSU-Net provides accurate and reliable breast lesion segmentation in mammographic images and highlights the potential of attention-guided deep learning for computer-aided breast cancer screening and diagnosis.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.06537v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27523v1cs.CV공통 태그 Medical Image Analysis, Diagnostic, mammography

M3D-Net: 유방촬영 분류를 위한 공간 문맥, 특징 재사용, 차분 어텐션의 계층적 조율

M3D-Net: Hierarchical Coordination of Spatial Context, Feature Reuse, and Differential Attention for Mammography Classification

유방 영상 분류는 국소적 세부와 전역 조직 문맥을 모두 필요로 하지만, 표현이 깊어질수록 이러한 단서는 약해질 수 있다. 본 연구는 해상도 인식 연산자 배치를 통해 다중 스케일 좌표 어텐션, 유계 동적 특징 재사용, 차분 어텐션을 계층적으로 조율하는 유방촬영 인코더 M3D-Net을 제안한다. 스테이지 내 검색은 이전 특징에 대한 접근을 유지하고, 좌표 인식 집계는 국소 및 전역 문맥을 통합하며, 차분 어텐션은 거친 해상도에서 동작한다. AISSLab 유방촬영 데이터에서 이미지 전용 분류를, BrEaST 초음파에서는 적응된 영상-임상 모델을 평가하였다. EdgeNeXt, RepViT, TransXNet과 비교할 때 제안 구현은 기록된 검증 정확도와 학습 후반 정확도가 가장 높고, 종점 교차 엔트로피 손실이 가장 낮았다. 검증 정확도는 각각 97.78%와 80.39%에 달한다. 이 결과는 다양한 유방 영상 설정에서 계층적 조율에 대한 추가 평가를 뒷받침하나, 반복 시드, 구성 요소 통제, 독립 평가는 여전히 필요하다.

arXiv:2609.27815v1cs.CV공통 태그 Medical Image Analysis, Diagnostic, Medical Image Segmentation

단독 확산강조 MRI를 이용한 ADC 전용 심층 학습 파이프라인의 유방암 검출 및 분할 평가

Evaluating ADC-only deep learning pipelines for breast cancer detection and segmentation using standalone diffusion-weighted MRI

동적 조영(dynamic contrast-enhanced, DCE) 영상은 자기공명영상(MRI)을 이용한 유방암 검출 및 특성 규명의 gold standard 기법이다. 그러나 DCE-MRI는 긴 촬영 시간과 혈류 내 조영제 투여가 필요하며, 이는 알레르기 반응을 유발할 수 있다. 대안으로 확산강조 MRI(DW-MRI)는 조영제가 필요 없고 촬영 시간이 더 짧으며, 종양 세포 밀도와 상관관계가 있는 겉보기 확산계수(ADC) 맵 계산을 가능하게 하는 유방 MRI의 표준 보조 기법이다. 그럼에도 이러한 기술적 이점에도 불구하고, 심층 학습 연구는 DCE 기반 모델에 집중해 왔고, DCE-MRI와의 병용이든 단독 대안이든 DW-MRI와 ADC 맵의 종양 검출 성능은 거의 탐구하지 않았다. 본 연구에서는 ADC 영상만을 사용한 유방암 검출 및 분할에 대해 다양한 최신(state-of-the-art) 심층 학습 기법의 적용을 평가한다. 우리가 아는 한, 이는 분류, 검출, 분할 과업을 위한 ADC 전용 유방암 파이프라인에 대한 최초의 포괄적 평가이다.

arXiv:2609.24838v1cs.AI공통 태그 Medical Image Analysis, Diagnostic, Medical Image Segmentation

MedRSI: 임상적으로 정렬된 자기 진화를 통한 의료용 에이전트의 재귀적 자기 개선

MedRSI: Recursive Self-Improvement for Medical Agents via Clinically Aligned Self-Evolution

의료용 에이전트(agent)는 범용 추론 모델과 특화된 임상 도구를 점진적으로 결합하고 있으나, 그 능력은 배포 전 임상의와 엔지니어가 설계한 수준에 대부분 고정되어 있습니다. 재귀적 자기 개선(Recursive Self-Improvement, RSI)은 에이전트가 자신의 실패로부터 학습(training)하고 자율적으로 능력을 확장하는 다른 패러다임을 제공하지만, RSI를 의료 분야에 직접 적용하는 것은 근본적인 안전성(safety) 문제를 초래합니다. 본 논문에서는 도구 조합과 태스크별 모델 학습을 통해 진단 실패를 새로운 임상 능력으로 지속적으로 전환하는 최초의 의료용 재귀적 자기 개선 프레임워크인 MedRSI를 소개합니다. 임상 진료 현장에서 영감을 얻은 MedRSI는 임상적으로 정렬(alignment)된 자기 진화를 위한 두 가지 메커니즘을 도입합니다. 첫째, 임상 비용 인식 기반 실패 우선순위화(clinical-cost-aware failure prioritization)는 단순한 빈도 대신 잠재적인 임상적 결과에 따라 오류에 대한 개선 방향을 설정합니다. 둘째, 신속한 발견과 보수적 등록(fast discovery with slow registration)은 빠른 능력 창출과 보수적 도입을 분리하여, 후속 환자 코호트 전반에서 지속적인 이점을 입증한 후에만 새로운 도구가 영구 에이전트에 반영되도록 합니다. 공개 녹내장 및 심장 질환 벤치마크(benchmark)와 두 가지 비공개 임상 태스크 전반에서 MedRSI는 분할, 측정, 예측, 멀티모달 추론 및 생성 능력을 점진적으로 발전시키며, 수작업으로 설계된 의료용 에이전트를 능가하고 원래 설계자가 예상하지 못한 임상 문제에 대한 솔루션을 자율적으로 발견합니다. 본 연구 결과는 의료용 에이전트가 배포 전에 지정된 능력에 국한될 필요가 없음을 보여줍니다. 즉, 무엇을 개선하고 무엇을 유지할지 통제하는 임상적으로 기반을 둔(grounded) 메커니즘을 통해 진단 경험으로부터 새로운 능력을 지속적으로 구축, 검증 및 축적할 수 있습니다. 코드는 https://github.com/ImprintLab/MedRSI 에서 확인할 수 있습니다.

arXiv:2609.24769v1cs.CV공통 태그 Semantic Segmentation, Medical Image Analysis, Medical Image Segmentation

BraTS 2026 Task 1을 위한 뇌 전이암 분할: 다중 아키텍처 비교

Brain Metastases Segmentation for BraTS 2026 Task 1: A Multi-Architecture Comparison

뇌 전이(brain metastases)는 가장 흔한 두개내 악성종양으로, 원발성 고형암 환자의 약 30%에서 발생하며 중앙값 생존 기간은 약 5.9개월이다. 자동 분할(segmentation)은 치료 계획 수립과 부피 모니터링에 매우 중요하지만, 전이 병변은 한 환자 내에서도 크기가 작고 수가 많으며 이질적인 경우가 많다. 우리는 종단적 UCSD 하위 데이터셋으로 인한 정보 누출을 방지하기 위해 환자 단위 그룹 교차 검증(patient-grouped cross-validation)을 사용하여, BraTS-METS 2026 Task 1에 대해 일반 nnU-Net 기준선(baseline), Residual Encoder Large(ResEncL) 변형 모델, 영역 기반 학습(region-based training), Primus 트랜스포머(transformer) 모델을 비교한다. Primus(레이블 기반)는 집계 DSC/NSD 기준으로 가장 우수한 단일 모델로, ET에서 0.710/0.761, TC에서 0.742/0.785, WT에서 0.683/0.689, RC에서 0.531/0.436을 달성했다. ResEncL은 집계 DSC/NSD에서는 Primus에 뒤지지만 병변 단위 F1 점수는 훨씬 높다(예: ET에서 0.452 대 0.052). 두 모델의 확률 평균 앙상블(probability-averaging ensemble)은 ResEncL의 F1 우위를 부분적으로만 유지한다(ET 병변 단위 F1: 0.064). 또한 우리는 이번 챌린지를 넘어 일반화될 수 있다고 판단되는 후처리 및 레이블 재구성 관련 세 가지 함정(pitfall)을 함께 보고한다. 코드는 https://github.com/mahdiislam79/BraTS_METS_2026 에서 확인할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.