의료 영상 분할을 위한 지도 학습 기반 방법들은 전문가 간 주석의 높은 변동성, 표시된 데이터의 부족, 클래스 불균형 데이터셋과 같은 여러 과제에 직면합니다. 이러한 문제는 임상 분석에 필요한 정밀도가 부족하고, 불확실성 정량화 없이 잘못된 과신을 초래할 수 있는 분할 결과를 초래할 수 있습니다. 본 논문에서는 소규모 데이터셋에서도 전문가 주석의 변동성을 정확하게 포착하는 계산 효율적인 생체 의료 영상 분할 생성 도구인 PULASki 방법을 제안합니다. 이 방법은 조건부 변분 오토인코더 구조(확률적 UNet)에서 통계적 거리에 기반한 향상된 손실 함수를 사용하여, 특히 클래스 불균형 문제에서 표준 교차 엔트로피보다 조건부 디코더 학습을 개선합니다. 제안된 방법은 두 가지 구조적으로 다른 분할 작업(두개 내 혈관 및 다발성 경화증(MS) 병변)에 대해 분석되었으며, 정량적 지표 및 정성적 출력 측면에서 네 가지 잘 확립된 기준과 결과를 비교했습니다. 이러한 실험에는 최적이 아닌 신호 대 잡음비와 높은 모호성을 포함하여 어려운 특징을 특징으로 하는 클래스 불균형 데이터셋이 포함됩니다. 실험 결과는 PULASKi 방법이 모든 기준을 5% 유의 수준에서 능가함을 보여줍니다. 또한, 본 실험은 3D 패치를 사용한 복잡한 기하학적 형태의 계산 가능한 분할과 기존의 2D 슬라이스 사용에 대한 비교 연구를 최초로 제시합니다. 생성된 분할은 특히 혈관 작업의 경우 2D 경우보다 해부학적으로 훨씬 더 타당한 것으로 나타났습니다.
