골육종 MRI 이미지 분할을 위한 트랜스포머의 주의 관점에서 U-Net 재고

골육종은 소아 및 청소년 집단에서 가장 흔한 주요 뼈 악성 종양 중 하나입니다. 골육종 MRI 이미지의 형태와 크기는 환자마다 큰 변동성과 무작위성을 보여줍니다. 인구가 많고 의료 자원이 부족한 개발도상국에서는 제한된 의사 인력만으로는 골육종의 조기 진단의 어려움을 효과적으로 해결하기 어렵습니다. 또한, 정밀 의학의 제안으로 인해 골육종을 위한 기존 MRI 이미지 분할 모델은 불충분한 분할 정확도와 높은 자원 소모의 문제에 직면해 있습니다. 본 논문은 트랜스포머의 자기 주의 메커니즘에서 영감을 받아, U-Net의 인코더-디코더 구조에 다단계 유도 자기 인식 주의 모듈(MGAM)을 추가하여 경량 골육종 이미지 분할 아키텍처인 UATransNet을 제안합니다. 우리는 데이터셋 분류 최적화를 수행하고 MRI 이미지와 관련 없는 배경을 제거합니다. 이후, UATransNet은 인코더-디코더 구조의 하단에 트랜스포머 자기 주의 구성 요소(TSAC)와 글로벌 컨텍스트 집계 구성 요소(GCAC)를 설계하여 지역적 특징과 글로벌 종속성을 통합하고 맥락을 학습된 특징으로 집계합니다. 또한, 우리는 합성곱 모듈에 밀집 잔차 학습을 적용하고 다중 스케일 점프 연결과 결합하여 특징 추출 능력을 향상시킵니다. 본 논문에서는 80,000개 이상의 골육종 MRI 이미지를 실험적으로 평가하고 UATransNet이 더 정확한 분할 성능을 제공함을 보여줍니다. 골육종의 IOU와 DSC 값은 각각 0.922 ± 0.03 및 0.921 ± 0.04이며, 의사에게 직관적이고 정확한 효율적인 의사 결정 정보 지원을 제공합니다.