arXiv:2609.23919v1 eess.IV

VGG16-MCA UNet: 디코더 측 채널 어텐션을 활용한 2D FLAIR MRI 전체 종양 분할

VGG16-MCA UNet: Whole-Tumor Segmentation in 2D FLAIR MRI with Decoder-Side Channel Attention

Shubham Gajjar, Deep Joshi, Avi Poptani, Vishal Barot

제출 2026-09-22

한국어 초록

자동 뇌종양 분할(segmentation)은 진단, 치료 계획 수립, 질병 진행 모니터링을 지원하지만, 이질적인 종양과 제한된 주석 데이터 전반에 걸쳐 일반화되는 모델을 구축하는 것은 여전히 어려운 과제이다. 본 논문에서는 ImageNet으로 사전학습(pre-training)된 VGG16 인코더와, 각 스킵 연결(skip-connection) 융합 이후 다중 채널 어텐션(Multi-Channel Attention, MCA) 모듈이 특징을 재보정하는 디코더를 결합한 하이브리드 아키텍처인 VGG16-MCA UNet을 제안한다. 이 모델은 심각한 전경-배경 불균형에 대응하기 위해 Focal Tversky 손실(loss)로 학습된다. 본 모델은 BraTS 2020 벤치마크와 LGG MRI Segmentation 데이터셋(dataset)이라는 두 개의 공개 데이터셋에서 종양이 존재하는 슬라이스를 대상으로, 2D, FLAIR 단일 시퀀스 전체 종양 분할기로서 평가된다. 5겹 교차 검증(cross-validation)과 다섯 개 폴드(fold) 모델의 가중치를 평균하여 형성한 단일 네트워크를 사용하여, 본 방법은 홀드아웃(held-out)한 BraTS 2020 분할(split)에서 95.10%, LGG에서 88.32%의 집계 픽셀 수준 Dice(F1) 점수를 달성하였다. 이 점수는 사례별로 평균을 낸 것이 아니라 모든 테스트 픽셀을 단일 혼동 행렬(confusion matrix)로 통합하여 계산된 것이므로, BraTS 챌린지 프로토콜에서 사용하는 사례별 평균 Dice와 직접 비교할 수 없다. 모든 분할(partition)은 환자 단위가 아니라 개별 슬라이스 단위로 나뉘었으므로, 모든 환자가 학습과 테스트 양쪽에 슬라이스를 제공한다. 따라서 위의 수치는 이미 알려진 환자 내에서의 보간(interpolation)을 측정한 것이며, 새로운 환자에 대한 일반화가 아니라 상한선(upper bound)으로 해석되어야 한다. 본 모델은 6GB NVIDIA RTX 2060 단일 GPU에서 256x256 슬라이스를 66.32ms에 분할하며, 이는 MCA가 없는 동등한 VGG16-UNet보다 약 8ms 더 긴 시간이다. 우리는 정확하게 명시되고 재현 가능한 2D FLAIR 기준선(baseline)을 제공하기 위해, 분할(split) 기록을 공개하고 프로토콜을 전체적으로 보고한다.

원문 초록

Automated brain tumor segmentation supports diagnosis, treatment planning, and monitoring of disease progression, but building models that generalize across heterogeneous tumors and limited annotated data remains difficult. We present VGG16-MCA UNet, a hybrid architecture pairing an ImageNet-pretrained VGG16 encoder with a decoder in which a Multi-Channel Attention (MCA) module recalibrates features after each skip-connection fusion, trained with the Focal Tversky loss to counter severe foreground-background imbalance. We evaluate the model as a 2D, FLAIR-only, whole-tumor segmenter on tumor-positive slices from two public datasets: the BraTS 2020 benchmark and the LGG MRI Segmentation dataset. Using 5-fold cross-validation and a single network formed by averaging the weights of the five fold models, the method attains an aggregate pixel-level Dice (F1) of 95.10% on our held-out BraTS 2020 split and 88.32% on LGG. These scores are computed over all test pixels pooled into a single confusion matrix rather than averaged per case, and are therefore not directly comparable to the per-case mean Dice used in the BraTS challenge protocol. All partitions were drawn over individual slices rather than over patients, so every patient contributes slices to both training and test; the figures above therefore measure interpolation within known patients and should be read as an upper bound rather than as generalization to new ones. The model segments a 256x256 slice in 66.32 ms on a single 6 GB NVIDIA RTX 2060, approximately 8 ms more than an equivalent VGG16-UNet without MCA. We release the split records and report the protocol in full, with the aim of providing a precisely specified and reproducible 2D FLAIR baseline.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.23919v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2610.03474v1cs.CV공통 태그 Semantic Segmentation, Brain Tumor Segmentation, Medical Image Segmentation

Fed-ADApt: 자원 인지형 의료 이미지 분할을 위한 연합 애니타임 깊이 적응

Fed-ADApt: Federated Anytime Depth Adaptation for Resource-Aware Medical Image Segmentation

연합학습(FL)은 환자의 원시 데이터를 공유하지 않고도 의료 이미지 분할 모델의 협력 학습을 가능하게 하지만, 기존 접근법들은 기관 간 연산 자원 예산이 균일하다고 가정하여 자원이 부족한 기관의 참여를 제한합니다. 본 논문에서는 저비용 연산 환경의 학습과 추론을 함께 다루는 UNet 기반 분할용 깊이 적응형 연합 프레임워크인 Fed-ADApt를 제안합니다. Fed-ADApt는 다중 깊이 지도 학습과 계층적 깊이별 집계를 통합하여, 각 기관이 로컬 연산 예산에 맞춰 학습하는 동시에 배포 시 동적 깊이 선택을 지원하는 글로벌 모델에 기여할 수 있도록 합니다. 다중 기관 2D 망막 안저 디스크 분할 및 3D 뇌종양 분할 태스크에서 Fed-ADApt를 평가했습니다. 두 태스크 모두에서 연합 협력은 도메인 이동에 대한 견고성을 대폭 향상시켰습니다. Fed-ADApt는 3D에서 전체 자원을 사용한 FedAvg 성능과 대등했으며, 2D에서는 평균 Dice가 4.7% 감소하는 수준의 경쟁력 있는 성능을 달성한 동시에 평균 추론 비용을 3D에서 19.5%, 2D에서 34.5% 절감하고 자원이 가장 제약된 기관에서 학습 비용을 98% 대폭 줄였습니다. 중요한 점은, Fed-ADApt가 전체 용량의 모델을 학습할 수 없는 저자원 기관도 연합에 참여할 수 있도록 지원하면서 유리한 정확도-효율성 트레이드오프 아래 경쟁력 있는 글로벌 성능을 유지한다는 것입니다. Fed-ADApt는 학습 및 추론 연산 예산을 모두 고려함으로써 이종의 임상 환경과 에지 기반 이미징 환경 전반에서 연합 의료 이미지 분할을 위한 실용적이고 공평한 해결책을 제공합니다.

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.