초록 뇌 MRI 분할은 의학 영상에서 중요한 역할을 하며, 뇌 질환의 식별 및 모니터링을 돕습니다. 본 연구에서는 실제 배치를 위한 경량 아키텍처를 유지하면서 높은 분할 정확도를 달성하기 위해 설계된 새로운 딥 러닝 기반 프레임워크를 제시합니다. 제안된 방법은 인코더로 EfficientNet B0를 활용하여 모델 복잡성을 크게 줄이면서 풍부한 다중 스케일 특징 추출을 보장합니다. 계산 부담을 증가시키지 않으면서 전반적인 컨텍스트 모델링을 향상시키기 위해, 프레임워크는 시각적 상태 공간 블록을 통합합니다. 이러한 블록은 패치 병합 및 상태 공간 모델링을 활용하여 장기적인 공간 종속성을 효율적으로 포착합니다. 또한 Mamba 아키텍처에서 영감을 받은 다중 스케일 주의 메커니즘이 도입되어 다양한 스케일에서 특징 표현을 개선하고, 복잡한 해부학적 구조 및 병변의 분할을 향상시킵니다. 디코더는 U-Net에서 영감을 받은 설계를 따르며, 공간 세부 정보를 보존하고 고해상도 분할 맵 재구성을 가능하게 하는 스킵 연결을 통합합니다. 훈련 과정은 정확한 경계 구분을 위한 활성 윤곽 손실과 클래스 불균형을 완화하는 초점 손실을 결합한 하이브리드 손실 함수를 사용하여 최적화됩니다. 경량 모델 설계와 분할 정확성을 효과적으로 균형을 맞춤으로써, 제안된 접근법은 최첨단 기술과 비교하여 시각적으로 우수한 분할 결과를 제공합니다.
Chatterjee et al. (화,)는 이 문제를 연구했습니다.