다발성 경화증(MS)은 상당한 임상적, 방사선학적 이질성을 나타내며, 이는 자동 병변 분할에 중대한 어려움을 제기합니다. 현재의 최첨단 (SOTA) 딥러닝 기반 방법론은 스캐너 변경과 같은 분포 변화뿐만 아니라 입력 구조의 변화에도 매우 취약하며, 이는 횡단적 접근 방식과 종단적 접근 방식 사이의 현저한 격차에서 명확히 드러납니다. 우리는 TimeLesSeg를 소개합니다. 이 프레임워크는 단일 컨볼루션 신경망(CNN)을 사용하여 입력에 시간 차원 유무와 관계없이 MS 병변을 분할하도록 설계된 통합 대비 불가지론적 (contrast-agnostic) 프레임워크입니다. 우리의 접근 방식은 병변 마스크를 통해 병리학적 사전 지식(pathological priors)을 모델링하며, 이는 현재 스캔과 함께 처리됩니다. 횡단적 처리가 가능해집니다.

겹침 기반 및 거리 기반 메트릭을 사용한 단일 모달리티 입력에 대한 최신 기술(state of the art)입니다. 종단적 처리(longitudinal processing)에서 저희 방법은 SAMSEG를 능가하며, 이전 방식과 LST-AI보다 병변 부하 역학(lesion load dynamics)을 더 정확하게 포착합니다. TimeLesSeg 개발과 관련된 모든 소스 코드는 https://github.com/NeuroADaS-Lab/TimeLesSeg에서 확인할 수 있습니다.