MM-UNet은 망막 혈관 분할을 위한 새로운 아키텍처로, 얇고 분기된 구조와 이미지 간의 광범위한 변화로 인해 발생하는 분할의 어려움을 해결하는 것을 목표로 합니다. Morph Mamba Convolution 레이어를 사용하여 분기된 위상 인식 능력을 향상시키고, Reverse Selective State Guidance 모듈을 통해 기하학적 경계 인식 및 디코딩 효율성을 개선합니다. DRIVE 및 STARE 데이터셋에서 기존 방법 대비 우수한 성능을 보이며, 공개된 코드(https://github.com/liujiawen-jpg/MM-UNet)를 통해 접근 가능합니다.
시사점, 한계점
•
시사점:
◦
딥러닝 기반 망막 혈관 분할에서 정확도 향상.
◦
MM-UNet 아키텍처의 혁신적인 구조 제시 (Morph Mamba Convolution, Reverse Selective State Guidance).
◦
DRIVE 및 STARE 데이터셋에서 기존 방법 대비 F1-score 향상 (DRIVE: 1.64%, STARE: 1.25%).
◦
오픈 소스 코드 공개를 통한 접근성 확보.
•
한계점:
◦
논문에서 구체적인 한계점에 대한 언급 없음. (예: 특정 이미지 유형에서의 성능 저하, 모델의 복잡성, 훈련 데이터 의존성 등).
