목적: 확산 강조 자기공명영상 (diffusion-weighted magnetic resonance imaging, DWI)에서 급성 허혈성 경색 (acute ischemic infarcts)을 정확하게 식별하는 것은 뇌혈관 사건 관리에서 신뢰할 수 있는 병변 정량화 및 효과적인 임상 의사 결정 지원을 위한 필수 전제 조건입니다. 방법: 본 연구는 DWI 영상의 효율적이고 정확한 경색 분할 (infarct segmentation)을 위한 작업 특화 통합 아키텍처인 EPRA U-Net (Efficient Pyramid Residual Attention U-Net)을 제시합니다. 제안된 아키텍처에서는 매개변수화를 최소화한 계층적 특징 추출기 (hierarchical feature extractor)로서 EfficientNet 기반의 인코더 (encoder)가 사용되었습니다. 또한, 공간 의존성 모델링 (spatial dependency modeling) 성능을 향상시키기 위해 잔차-순환 (Residual-Recurrent, R2) 블록 (원래의 공식을 따라 순환 언롤링 단계 t = 2)과 Atrous Spatial Pyramid Pooling (ASPP)이 통합되었습니다. 추가적으로, 병변 관련 활성화를 강조하는 동시에 불필요한 배경 응답을 억제할 수 있도록 이중 어텐션 (dual attention) 메커니즘이 포함되었습니다. 임상적 필수 사항과 일치하는 병변 탐지를 우선시하기 위해, 최적화 과정에서 특이도 (specificity)보다 탐지 민감도 (sensitivity)를 강조하는 Tversky 손실 함수 (Tversky loss function)를 채택하였습니다. 결과: 4,895개의 DWI 슬라이스를 포함하는 167명의 환자로 구성된 자체 데이터셋을 사용하여 실험적 평가를 수행하였으며, 이후 제안된 EPRA U-Net의 성능을 최신 모델인 UNet++, DeepLabV3+, TransUNet과 비교하여 평가하였습니다. 실험 결과, EPRA U-Net은 픽셀 집계 Dice (pixel-aggregated Dice) 0.8984, 샘플당 Dice (per-sample Dice) 0.9469, IoU 0.8155, 재현율 (Recall) 0.8887, 병변 F1 (Lesion F1) 0.9378, 그리고 HD95 11.62 px를 기록하며 우수한 성능을 달성했음을 보여주었습니다. 또한, UNet++, DeepLabV3+, TransUNet과 비교했을 때 병변 누락률 (missed lesions rate)이 각각 16%, 25%, 29% 명확하게 감소하는 것이 관찰되었습니다.