본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

Title Page

Contents

Abstract 9

Chapter 1. INTRODUCTION 11

1.1. Background 11

1) Medical imaging 11

2) Medical image segmentation 12

1.2. Research purpose 14

Chapter 2. RELATED WORK 15

2.1. Biomedical grand challenges 15

2.2. 3D semantic segmentation 16

2.3. 3D CNN architectures 17

2.4. Attention module 19

Chapter 3. PROPOSED APPROACH 20

3.1. Plane attention module 20

3.2. Network architecture 24

Chapter 4. EXPERIMENTS AND RESULTS 26

4.1. Dataset description 26

4.2. Implementation details 30

1) Pre-process 30

2) Network architecture 30

3) Loss function and strategy 31

4) Evaluation 32

4.2. Comparison with other methods 33

Chapter 5. DISCUSSION 36

5.1. Ablation study 36

5.2. Qualitative analysis 39

Chapter 6. CONCLUSION 40

References 41

논문요약 46

List of Tables

Table 1. Formula of loss function 31

Table 2. Comparisons results of loss functions on KiTS2023 datasets. 32

Table 3. Comparisons results with other methods on KiTS2023 datasets. 34

Table 4. Comparisons of different attention methods with varying layer levels in 3D U-Net architecture. 38

Table 5. Comparisons of different attention methods with varying plane layer in 3D U-Net architecture. 38

List of Figures

Fig. 1. Structure of plane attention module 20

Fig. 2. The network architecture of plane attention module. 24

Fig. 3. Segmented plane slice of Kidney CT image. 28

Fig. 4. Distributions of dimension for (a) z axis and (b) spacing. 29

Fig. 5. Box plot of comparisons results with other methods. 35

Fig. 6. The network architecture of the plane attention module with the level of layers. 37

Fig. 7. Comparison visualization result with other method on KiTS23 dataset. 39

초록보기

 3차원 의료영상 (CT,MRI) 이미지는 주로 객체 탐지를 위한 의미론적 분할 모델이 사용된다. 이러한 알고리즘은 압축된 데이터 표현을 배움으로서 영상 데이터에서의 배경 및 실제 예측 하려는 병변에 대한 탐지를 한다. 이러한 영상 데이터가 가지는 특징으로서는 찾고자 하는 병변이 실제 전 영역 대비하여 아주 불균형적으로 분포해 있다는 것이며 이러한 특징으로 인하여 이러한 불균형은 예측 값의 성능을 낮추는 효과를 가져온다. 그리고 3차원 의료영상은 기존의 2차원 이미지를 바탕으로 한 의미론적 분할 모델과는 달리 각 평면상의 방향에 따라 실제 병변의 모양 및 형태가 달라진다. 이러한 3차원 데이터의 초점에 맞춘 모델을 설계하는 방법은 없을까? 라는 질문으로부터 시작하여 본 연구에서는 각 평면의 방향에 대한 Attention 기법인 Plane Attention Module 을 제시한다. 본 방법론은 기존의 3차원 영상에서의 의미론적 분할 모델의 일반적인 형태의 Encoder-Decoder 모델에서 대표적으로 쓰이는 모델인 3D U-Net 을 바탕으로 하여 Encoder Part의 압축된 데이터 표현을 세분화 하는 데 집중하였다. 본 연구에서는 해당 방법을 통하여 신장암 검출에 있어서 기존 방법론을 능가하는 분할 성능을 달성함을 보여준다. 또한 이러한 결과를 다른 모델들의 결과들과 시각화를 하여 비교하였다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차