건너뛰기 합성곱 블록을 추가한 합성곱 신경망을 이용한 의료 영상 조밀 예측

Abstract

최근 딥 러닝 모델의 고도화와 파라메터 초기화, 정규화 기법 등의 발전을 발 판 삼아 조밀 예측 분야 또한 높은 성능을 거두고 있고, 의료 영상 분야에서도 EM 영상의 경계선 검출 문제나 Comet assay의 comet 분할과 같은 조밀 예측 연구들이 활발히 수행되고 있다. 본 논문에서는 의료 영상 분할 문제를 해결하기 위해 건너 뛰기 연결을 대체할 수 있는 건너뛰기 합성곱 블록을 제안하였다. 건너뛰기 합성곱 블록은 부호화 단계에서 추출되는 특징들과 복호화 단계에서 추출되는 특징들을 잘 융합할 수 있도록 잔류 경로를 포함한 합성곱 블록으로, 건너뛰기 연결을 대체하는 방식으로 모델에 적용할 수 있다. 본 논문에서는 제안된 모듈을 부호화-복호화 방 식의 FCN (Fully Convolutional Network)에 적용하여 부호화 단계의 특징과 복호화 단계의 특징이 잘 혼합되어 사용할 수 있는 모델을 설계하였다. 또한 의료 영상의 부족한 데이터 양을 보완하기 위하여 데이터 증강법을 효과적으로 수행하여 30장 이하의 적은 데이터에도 모델이 노이즈에 강인하고 뛰어난 일반화 성능을 가질 수 있도록 하였다. 제안된 모델은 코멧 분석 영상을 이용한 코멧 분할에서 기존 논문보 다 정밀도 (Precision) 측면에서 1%, 재현율 (Recall) 측면에서 3% 더 우수한 성능을 도출하였고, ISBI 2012 EM 데이터셋에서 V_info = 0.9620라는 결과를 도출하였다.