의료 영상 분할의 혁신: GLoG-CSUnet으로 비전 트랜스포머 강화
GLoG-CSUnet은 Gabor 및 LoG 필터를 활용하여 비전 트랜스포머의 성능을 향상시킨 의료 영상 분할 모델입니다. Synapse 및 ACDC 데이터셋에서 최첨단 모델을 능가하는 성능을 보였으며, GitHub를 통해 코드가 공개되어 접근성을 높였습니다.

최근 의료 영상 분할(MISS) 분야에서 비전 트랜스포머(ViTs)의 활약이 두드러지고 있습니다. 장거리 상관관계를 효과적으로 포착하는 ViTs는 괄목할 만한 성과를 보여주고 있지만, 미세한 해부학적 세부 정보를 정확하게 분할하는 데 필수적인 국소 공간 정보 모델링에는 어려움을 겪는 경우가 많습니다. 특히, 광범위한 사전 훈련 없이 소규모 데이터셋에 적용될 때 이러한 한계는 더욱 두드러집니다.
이러한 문제를 해결하기 위해, Niloufar Eghbali 등 연구진은 Gabor과 Laplacian of Gaussian Convolutional Swin Network (GLoG-CSUnet)이라는 혁신적인 아키텍처를 제시했습니다. GLoG-CSUnet은 학습 가능한 라디오믹스 특징을 통합하여 트랜스포머 기반 모델을 향상시키는 독창적인 접근 방식을 취합니다. 핵심은 동적으로 적응하는 Gabor 및 LoG 필터를 통합하여 조직, 가장자리 및 경계 정보를 포착하고 트랜스포머 모델이 처리하는 특징 표현을 향상시키는 데 있습니다. 이는 트랜스포머의 장거리 의존성 모델링과 Gabor 및 LoG 특징의 조직 분석 기능을 독창적으로 결합한 것입니다.
Synapse 다중 기관 및 ACDC 심장 분할 데이터셋에서 평가한 결과, GLoG-CSUnet은 최첨단 모델에 비해 상당한 성능 향상을 보였습니다. Synapse 데이터셋에서는 Dice 점수가 1.14% 증가했고, ACDC 데이터셋에서는 0.99% 증가했습니다. 놀라운 점은 이러한 성능 향상이 최소한의 계산 오버헤드(Synapse의 경우 15개, ACDC의 경우 30개의 추가 매개변수)로 이루어졌다는 것입니다.
GLoG-CSUnet의 유연한 설계는 다양한 기본 모델과의 통합을 허용하여 라디오믹스에서 영감을 받은 특징 추출을 트랜스포머 아키텍처에 통합하는 유망한 방법을 제시합니다. 연구팀은 GitHub(https://github.com/HAAIL/GLoG-CSUnet)에 코드를 공개하여 다른 연구자들의 활용을 지원하고 있습니다.
이 연구는 의료 영상 분석 분야에 중요한 기여를 할 뿐만 아니라, 비전 트랜스포머의 한계를 극복하고 성능을 향상시키는 데 대한 새로운 가능성을 제시한다는 점에서 큰 의미를 가집니다. 앞으로 GLoG-CSUnet이 다양한 의료 영상 분석 작업에 적용되어 더욱 정확하고 효율적인 진단 및 치료에 기여할 것으로 기대됩니다.
Reference
[arxiv] GLoG-CSUnet: Enhancing Vision Transformers with Adaptable Radiomic Features for Medical Image Segmentation
Published: (Updated: )
Author: Niloufar Eghbali, Hassan Bagher-Ebadian, Tuka Alhanai, Mohammad M. Ghassemi
http://arxiv.org/abs/2501.02788v1