간 종양 분할, 동적 조영 증강 회귀, 분류는 임상 평가와 진단에 중요하지만, 상호 개선을 위한 작업 간 관련성을 포착하는 효과적인 프레임워크의 부재와 동적 MRI 정보를 효과적으로 추출하는 메커니즘의 부재로 인해 이러한 작업을 종단간 방식으로 동시에 수행하는 연구는 없었다. 본 논문에서는 이러한 문제를 해결하기 위해, 이러한 작업을 동시에 처리하도록 설계된 새로운 통합 프레임워크인 MTI-Net(Multi-Task Interaction adversarial learning Network)을 제안한다. MTI-Net은 엔트로피를 인식하고 고주파 스펙트럼 정보를 사용하여 주파수 및 스펙트럼 도메인 모두에서 특징을 효과적으로 통합하여 동적 MRI 데이터의 추출 및 활용을 향상시키는 Multi-domain Information Entropy Fusion (MdIEF)을 통합한다. 또한 분할과 회귀 간의 고차 일관성을 확립하여 작업 간 시너지를 촉진하고 전체 성능을 향상시키는 작업 상호 작용 모듈을 도입한다. 추가적으로, 작업 간 내부 고차 관계를 포착하기 위해 새로운 작업 기반 판별자(TDD)를 설계했다. 동적 MRI 정보 추출을 위해, 위치 인코딩을 수행하여 동적 MRI 시퀀스 내의 관계를 포착하는 얕은 Transformer 네트워크를 사용한다. 238명의 피험자 데이터 세트에 대한 실험에서 MTI-Net은 여러 작업에서 높은 성능을 보여 간 종양의 임상 평가를 지원할 가능성을 보여준다.
