ColonFormer: 대장 용종 분할을 위한 효율적인 Transformer 기반 방법

내시경 이미지의 자동 분석에서 용종을 식별하는 것은 컴퓨터 지원 임상 지원 시스템에서 도전적입니다. 용종을 분할하기 위해 제안된 모델은 컨볼루션 네트워크(CNN), 트랜스포머 및 이들의 조합을 기반으로 하며, 유망한 결과를 보여줍니다. 그러나 이러한 접근 방식은 용종의 지역 외관만 모델링하거나 디코딩 과정에서 공간적 의존성을 위한 다중 수준 기능 표시가 부족한 한계를 가지고 있습니다. 본 논문에서는 이러한 한계를 해결하기 위해 ColonFormer라는 새로운 네트워크를 제안합니다. ColonFormer는 인코더와 디코더 브랜치 모두에서 장기적인 의미 정보를 모델링할 수 있는 인코더-디코더 아키텍처입니다. 인코더는 다중 스케일에서 글로벌 의미 관계를 모델링하기 위해 트랜스포머 기반의 경량 아키텍처입니다. 디코더는 기능 표현을 풍부하게 하도록 다중 수준 기능 학습을 위해 설계된 계층적 네트워크 구조입니다. 게다가, 정확한 분할을 위해 전역 맵에서 용종 객체의 경계를 다듬기 위해 새로운 스킵 연결 기술을 가진 정제 모듈이 추가되었습니다. Kvasir, CVC-Clinic DB, CVC-ColonDB, CVC-T, ETIS-Larib을 포함한 다섯 개의 인기 있는 벤치마크 데이터셋에서 용종 분할에 대한 광범위한 실험이 수행되었습니다. 실험 결과, 우리의 ColonFormer가 모든 벤치마크 데이터셋에서 다른 최첨단 방법보다 뛰어난 성능을 보임을 보여줍니다.