자기공명영상 분할을 위한 다중 해상도 특징 융합 U-Net
Multi-Resolution Feature Fusion U-Net for Magnetic Resonance Imaging Segmentation
한국어 초록
의료 영상, 특히 MRI 스캔에서 해부학적 구조를 분할하는 것은 임상 진단과 질병 진행 모니터링에 필수적이다. U-Net 및 그 확장 모델과 같은 심층 학습(Deep Learning, DL) 아키텍처는 의료 이미지 분할 작업에서 매우 효과적이지만, 미세한 세부 정보와 전역적인 맥락 정보를 동시에 보존하는 데 어려움을 겪는 경우가 많다. 이는 해부학적 구조가 불규칙한 경계와 형태, 대비, 크기의 변동을 특징으로 하는 MRI 데이터 분할에서 특히 어려운 문제이다. 이러한 문제를 해결하기 위해, 우리는 서로 다른 해부학적 구조에 대한 MRI 분할을 위한 새로운 DL 아키텍처를 제안한다. 구체적으로, 이 아키텍처는 임의의 U-Net 유사 아키텍처에 쉽게 통합될 수 있는 다중 해상도 특징 융합(Multi-Resolution Feature Fusion, MRFF)이라는 모듈을 도입한다. MRFF는 어텐션(attention) 메커니즘 및 스킵 연결(skip connection)과 함께 인코더-디코더 구조의 모든 레벨에 통합되어 여러 해상도에서 특징을 추출함으로써, 모델이 미세한 세부 정보와 전역적인 맥락 정보를 모두 포착할 수 있게 한다. 우리는 서로 다른 해부학적 대상에 대한 두 가지 공개 벤치마크 MRI 데이터셋에서 MRFFU-Net을 평가하였다; 하나는 척추 MR 스캔에서의 뇌척수액(Cerebrospinal Fluid, CSF) 분할이고, 다른 하나는 Medical Segmentation Decathlon(MSD) 챌린지에서 제공하는 좌심방(left atrium) 심장 분할이다. 실험 결과는 MRFFU-Net이 여러 평가 지표에서 최신(state-of-the-art) 모델들을 능가하며, MRI 분할에서의 효과성을 입증함을 보여준다.
원문 초록
The segmentation of anatomical structures in medical images and particularly in MRI scans, is essential for clinical diagnosis and monitoring disease progression. While Deep Learning (DL) architectures, such as U-Net and its extensions are very effective in medical image segmentation tasks, they often struggle with preserving fine-grained details and global contextual information. This is especially challenging for MRI data segmentation, where anatomical structures are characterized by irregular boundaries and variations in shape, contrast, and scale. To address this challenge, we propose a novel DL architecture for MRI segmentation across different anatomical structures. Specifically, the architecture introduces a module, named Multi-Resolution Feature Fusion (MRFF), that can be easily integrated into any U-Net-like architecture. The MRFF is integrated in all levels of an encode-decoder structure, along with attention mechanisms and skip connections to extract features at multiple resolutions, enabling the model to capture both fine-grained details and global contextual information. We evaluate the MRFFU-Net on two publicly available benchmark MRI datasets of different anatomical targets; one for Cerebrospinal Fluid (CSF) segmentation in spinal MR scans, and one for left atrium cardiac segmentation, from the Medical Segmentation Decathlon (MSD) challenge. Experimental results indicate that MRFFU-Net outperforms state-of-the-art models across multiple evaluation metrics, demonstrating its effectiveness in MRI segmentation.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
어텐션 기반 백질 고신호 병변 분할 및 혈관성 대 탈수초성 병변 감별
Attention-Based Segmentation of WMHs and Differentiation of Vascular vs. Demyelinating Lesions
백질 고신호 병변(White Matter Hyperintensities, WMHs)은 뇌 자기공명영상(MRI) 스캔에서 흔히 관찰된다. 이 병변은 혈관성 질환 및 염증성 탈수초성 질환을 포함한 다양한 신경학적 상태와 연관되어 있다. 발병 원인이 다름에도 불구하고, 이러한 질환에서 비롯된 WMHs는 액체감쇠역전회복(Fluid Attenuated Inversion Recovery, FLAIR) 영상에서 유사하게 나타나는 경우가 많다. 이러한 유사성으로 인해 감별 진단이 어렵다. 본 연구에서는 어텐션 기반 분할과 특징 기반 분류를 결합하는 방법의 가능성을 제시한다. 이 접근법은 혈관성 및 탈수초성 백질 병리 간의 보다 정확하고 효율적인 분류를 지원한다. 분할을 위해 Bottleneck Attention Module(BAM) 및 Convolutional Block Attention Module(CBAM)과 같은 어텐션 메커니즘의 효과를 평가한다. 또한 Attention U-Net을 포함한 다양한 아키텍처를 실험하고, 병변 탐지 향상을 위해 패치 기반 학습 및 2.5D 접근법과 같은 고급 학습 전략도 탐색한다. 분할 이후에는 병변 마스크에서 형태학적 특징을 추출하고, 이를 활용하여 WMHs를 근본 원인에 따라 분류한다. 실험에서는 모델 일반화를 촉진하기 위해 다양한 영상 프로토콜을 갖춘 공개 데이터셋 5개를 활용하였으며, 표본 크기는 제한적이다. 결과는 어텐션 기반 분할과 특징 기반 분류가 혈관성 및 탈수초성 백질 병변을 감별하는 데 유망한 방향을 제시함을 시사한다. 다만, 더 큰 규모의 임상 코호트에서의 추가 검증이 여전히 필요하다.
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.
HistoSeg++: 바이오마커 분할을 위한 어텐션 및 다중 스케일 특징 융합의 심층 탐구
HistoSeg++: Delving deeper with attention and multiscale feature fusion for biomarker segmentation
의료 영상에서의 바이오마커 분할은 생물정보학 또는 생의학 응용 분야의 의료 영상 분석에서 흔히 첫 번째 단계로 간주된다. 최근 연구들의 발전에도 불구하고, 기존 방법들은 여전히 다중 스케일에서 정보를 포착하고 서로 다른 데이터셋에 걸쳐 업샘플링을 효과적으로 수행하는 데 어려움을 겪고 있으며, 이러한 한계는 종종 최적에 미치지 못하는 일반화 성능으로 이어진다. 최근 Nested-UNet 계열 아키텍처는 다중 스케일 맥락 정보를 효과적으로 포착하고 업샘플링하는 데 뛰어난 성능을 보이고 있다. 본 연구에서는 다중 스케일 맥락 정보를 효과적으로 포착하는 새로운 Nested-UNet 아키텍처를 제안한다. 제안 아키텍처는 업샘플링 과정에서 집중도를 향상시키는 내부 및 외부 어텐션 유닛을 포함하며, 스퀴즈-앤-익사이테이션(squeeze-and-excitation) 모듈을 통한 채널별 특징 재보정으로 분할 성능을 개선한다. 또한 경계 영역에 더 높은 중요도를 부여하여 경계 정확도를 강조하는 경계 인식 손실(edge-aware loss)을 통합한다. 공개된 세 가지 벤치마크 데이터셋에서 광범위하게 평가한 결과, 본 방법은 기존 Nested-UNet 방법들보다 우수한 일반화 성능을 보여준다. 코드: https://github.com/saadwazir/histosegplusplus
흉부 방사선 사진 골 억제를 위한 확장 가능한 감독으로서 해부학 분해 흉부 CT 투영
Anatomy-Decomposed Chest Computed Tomography (CT) Projections as Scalable Supervision for Bone Suppression in Chest Radiographs
CPU 기반 피부경 검사 영상 분할에서의 초기화 및 중단 허용 오차
Initialization and Stopping Tolerance in CPU Dermoscopic Segmentation
윤곽선 초기화(initialization)와 수치적 중단 조건은 액티브 컨투어(active-contour) 분할 평가에 함께 영향을 미칠 수 있습니다. 본 연구에서는 크기가 조정된 ISIC 2017 미러 데이터셋에서 오픈소스 scikit-image Chan-Vese 구현을 사용하여 이 둘의 상호작용을 조사합니다. 100장의 이미지로 구성된 고정 개발 셋을 통해 공통 입력 채널을 선택한 후, 저장소의 홀드아웃(held-out) 분할에 속한 600장의 전체 이미지를 평가합니다. 기본 및 더 엄격한 레벨셋 허용 오차 조건 하에서 오츠(Otsu) 임계값 처리를 체커보드, 디스크, 오츠 방식으로 초기화된 윤곽선과 비교합니다. 기본 허용 오차에서 오츠 초기화는 체커보드 초기화 대비 평균 이미지 Dice 점수를 0.6011에서 0.6660으로 향상시키며, 이는 0.0649의 대응 차이(95% 이미지 부트스트랩 신뢰구간 [0.0452, 0.0860])를 보입니다. 오츠 임계값 처리 단독으로는 0.6897을 달성합니다. 기본 디스크 초기화 방식은 471장의 이미지에서 단 1회 반복(iteration) 후 중단됩니다. 허용 오차를 엄격하게 설정하면 체커보드 초기화 대비 오츠 시드의 이점이 0.0197로 감소하며, 대부분의 실행이 500회 반복 한계에 도달합니다. 기본 허용 오차에서의 이점 또한 병변 크기 계층(소형 병변 및 대형 병변) 간에 뒤바뀝니다. 이러한 결과는 범용 초기화 방식 대비 개선이 이루어지더라도 임계값 기준선(baseline) 대비 성능 저하와 공존할 수 있음을 보여줍니다. 따라서 향후 평가에서는 정제되지 않은 마스크를 비교 대상으로 유지해야 하며, 초기 필드 정의, 중단 허용 오차, 그리고 관측된 반복 횟수를 함께 보고해야 합니다.
해부학적 연속성 보존: 3차원 복부 CT 영상 내 대장 분할을 위한 3단계 파이프라인
Preserving Anatomical Continuity: Three-Stage Pipeline for Colon Segmentation in 3D Abdominal CT Scans
CT 영상에서 정확한 대장 분할(colon segmentation)은 대장 질환 분석에 필수적이지만, 복잡한 해부학적 구조로 인해 심층 학습(deep learning) 기반 방법론은 종종 단절된 예측 결과를 생성합니다. 본 연구에서는 이러한 문제를 해결하기 위해 위상학적 특성을 보존하는 3단계 분할 파이프라인을 제안합니다. 첫 번째 단계에서는 심층 학습 기반의 초기 분할을 수행하고, 이어지는 중심선 연결(centreline bridging)을 통해 단절된 영역들을 다시 연결하며, 재구성 단계에서는 연속성을 정제합니다. TotalSegmentator 및 RAOS 데이터셋에서 중첩, 거리, 위상학 기반 지표를 사용하여 평가를 진행한 결과, 분할 정확도를 유지하면서도 구조적 일관성이 향상됨을 입증했습니다. 제안된 방법은 위상학적 무결성을 향상시켜 임상 및 연구 분야에서 더욱 신뢰성 높은 대장 분할을 가능하게 합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.