다중 위상 조영 증강 컴퓨터 단층 촬영(CECT)에서 간 구조 분할은 간 종양 감지를 포함한 간 질환의 컴퓨터 지원 진단 및 치료 계획에 중요한 역할을 한다. 본 연구에서는 원본 UNet부터 다양한 백본 네트워크를 가진 UNet3+까지 UNet 기반 아키텍처의 간 종양 분할 성능을 조사한다. 사전 훈련된 가중치로 초기화된 ResNet, Transformer 기반, State-space (Mamba) 백본을 평가한다. ResNet 기반 모델은 최신 아키텍처의 발전에도 불구하고 여러 평가 지표에서 Transformer 및 Mamba 기반 대안보다 일관되게 우수한 성능을 보였다. 분할 품질을 더욱 향상시키기 위해 어텐션 메커니즘을 백본에 도입하고, Convolutional Block Attention Module(CBAM)을 통합하는 것이 가장 우수한 성능을 보였다. CBAM 모듈을 사용한 ResNetUNet3+는 Dice 점수 0.755 및 IoU 0.662로 최고의 겹침 지표를 생성했을 뿐만 아니라, 77.911의 가장 낮은 HD95 거리를 통해 가장 정확한 경계 묘사도 달성했다. 또한 이 모델은 0.925의 전체 정확도와 0.926의 특이성을 기록하여 병변과 건강한 조직을 모두 정확하게 식별하는 강력한 능력을 보여주었다. 해석 가능성을 높이기 위해 Grad-CAM 시각화를 사용하여 가장 영향력 있는 예측 영역을 강조하여 의사 결정 프로세스에 대한 통찰력을 제공했다. 이러한 결과는 고전적인 ResNet 아키텍처가 최신 어텐션 모듈과 결합될 때 의료 영상 분할 작업에 매우 경쟁력이 있으며 임상 실습에서 간 종양 감지에 대한 유망한 방향을 제시함을 보여준다.
