Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

U-RWKV: Lightweight medical image segmentation with direction-adaptive RWKV

Created by
  • Haebom

저자

Hongbo Ye, Fenghe Tang, Peiang Zhao, Zhen Huang, Dexin Zhao, Minghao Bian, S. Kevin Zhou

개요

본 논문은 의료 영상 분할에서 자원 제약 환경에서의 형평성 있는 접근성을 달성하기 위해 경량이면서 고성능의 솔루션을 제시합니다. 기존 U-Net 방식의 한계인 제한적인 유효 수용 영역(ERF)을 극복하고자, O(N)의 계산 비용으로 효율적인 장거리 모델링을 달성하는 RWKV 아키텍처를 활용한 U-RWKV 프레임워크를 제안합니다. U-RWKV는 방향 적응형 RWKV 모듈(DARM)과 단계 적응형 압축-흥분 모듈(SASE)이라는 두 가지 핵심 혁신을 도입합니다. DARM은 Dual-RWKV와 QuadScan 메커니즘을 사용하여 이미지 전반의 문맥적 단서를 집계하여 방향 편향을 완화하고 전역 맥락을 유지하면서 높은 계산 효율성을 유지합니다. SASE는 서로 다른 특징 추출 단계에 따라 아키텍처를 동적으로 조정하여 고해상도 세부 정보 보존과 의미 관계 포착 간의 균형을 맞춥니다. 실험 결과, U-RWKV는 높은 계산 효율성으로 최첨단 분할 성능을 달성하여 자원 제약 환경에서 고급 의료 영상 기술의 민주화를 위한 실용적인 솔루션을 제공합니다. 코드는 https://github.com/hbyecoding/U-RWKV 에서 확인할 수 있습니다.

시사점, 한계점

•
시사점:
◦
자원 제약 환경에서의 의료 영상 분할 성능 향상 및 형평성 확보에 기여.
◦
효율적인 장거리 의존성 모델링을 위한 새로운 아키텍처 제시.
◦
DARM과 SASE 모듈을 통한 성능 및 효율성 개선.
◦
최첨단 성능과 경량화된 모델을 동시에 달성.
•
한계점:
◦
제안된 모델의 일반화 성능에 대한 추가적인 연구 필요.
◦
다양한 의료 영상 데이터셋에 대한 성능 평가 필요.
◦
실제 임상 환경 적용을 위한 추가적인 검증 필요.
👍
Made with Slashpage