Cross Modality Medical Image Synthesis for Improving Liver Segmentation
Created by
- Haebom
Category
Empty
저자
Muhammad Rafiq, Hazrat Ali, Ghulam Mujtaba, Zubair Shah, Shoaib Azmat
개요
본 논문은 의료 영상의 딥러닝 기반 컴퓨터 보조 진단(CAD) 시스템 개발에 있어 공개적으로 이용 가능한 대량의 라벨링된 데이터셋 부족 문제를 해결하기 위해, CycleGAN을 기반으로 한 EssNet이라는 변형 불변 네트워크를 제안합니다. 이 네트워크를 이용하여 쌍을 이루지 않은 복부 CT 영상을 복부 MRI 영상으로 변환하여 합성 데이터를 생성하고, 이를 실제 MRI 영상과 결합하여 간 분할 U-Net의 성능 향상을 도모합니다. 실험 결과, 합성 데이터를 활용하여 U-Net의 IoU(Intersection over Union) 지표가 1.17% 향상되는 것을 확인하였으며, 의료 영상 분야의 데이터 부족 문제 해결에 대한 가능성을 제시합니다.
시사점, 한계점
•
시사점:
◦
CycleGAN 기반의 EssNet을 이용한 의료 영상 합성 기법의 효용성을 제시합니다.
◦
합성 데이터를 활용하여 의료 영상 분할 네트워크의 성능을 향상시킬 수 있음을 보여줍니다.
◦
의료 영상 분야의 데이터 부족 문제 해결에 대한 새로운 접근 방식을 제시합니다.
•
한계점:
◦
IoU 향상폭이 1.17%로 크지 않습니다. 더 큰 성능 향상을 위해서는 추가적인 연구가 필요합니다.
◦
EssNet의 성능은 사용된 데이터셋에 의존적일 수 있습니다. 다양한 데이터셋에 대한 일반화 성능 평가가 필요합니다.
◦
합성 데이터의 질적 평가 및 실제 의료 현장 적용 가능성에 대한 추가적인 연구가 필요합니다.
