본 논문은 의료 영상 분석에서 장기의 정확한 분할이 중요하지만, 기존 심층 학습 기반 분할 네트워크는 정확도와 계산 효율 간의 균형을 맞추지 못하는 문제를 해결하기 위해 효율적인 이중 라인 디코더 분할 네트워크(EDLDNet)를 제안합니다. EDLDNet은 훈련 시 구조적 섭동을 통합하여 모델의 강건성을 높이는 노이즈 디코더와 추론 시에는 노이즈 없는 디코더만 사용하여 계산 비용을 낮추는 방식을 채택합니다. 여기에 다중 스케일 합성곱 어텐션 모듈(MSCAM), 어텐션 게이트(AG), 업샘플링 블록(UCB)을 활용하여 특징 표현을 최적화하고 분할 성능을 향상시킵니다. 또한, 두 디코더의 다중 스케일 분할 마스크를 활용하여 돌연변이 기반 손실 함수를 사용하여 모델의 일반화 성능을 높입니다. 실험 결과, EDLDNet은 네 개의 공개 의료 영상 데이터셋에서 최첨단 성능을 달성하며, Synapse 데이터셋에서 84.00%의 Dice 점수를 기록하여 UNet보다 13.89% 높은 Dice 점수를 달성하면서 동시에 MAC 연산을 89.7% 감소시켰습니다. 다양한 데이터셋에서 뛰어난 성능을 통해 EDLDNet의 강력한 일반화 성능, 계산 효율성 및 강건성을 입증합니다. 소스 코드, 전처리된 데이터 및 사전 훈련된 가중치는 https://github.com/riadhassan/EDLDNet 에서 이용 가능합니다.
