TimeLesSeg: 확률적 생성 모델을 이용한 통합 대비 불가지론적 횡단 및 종단 MS 병변 분할
요약
본 논문은 다발성 경화증(MS) 병변 분할의 어려움을 해결하기 위해 TimeLesSeg라는 통합 대비 불가지론적 프레임워크를 제안합니다. 이 프레임워크는 시간 차원의 유무와 관계없이 단일 CNN을 사용하여 MS 병변을 분할하도록 설계되었으며, 병리학적 사전 지식을 모델링하여 횡단적 처리의 가능성을 높였습니다. 실험 결과, TimeLesSeg는 기존 방법론보다 종단적 처리에 있어 더 정확하게 병변 부하 역학을 포착하며 우수한 성능을 보였습니다.
핵심 포인트
- TimeLesSeg는 MS 병변 분할을 위한 통합 대비 불가지론적(contrast-agnostic) 프레임워크입니다.
- 이 프레임워크는 시간 차원 유무에 관계없이 단일 CNN으로 작동하여 횡단적 및 종단적 분석의 격차를 해소합니다.
- 병리학적 사전 지식(pathological priors)을 모델링하여 현재 스캔과 함께 처리함으로써 횡단적 처리를 가능하게 합니다.
- 종단적 처리 측면에서 기존 SOTA 방법론인 SAMSEG와 LST-AI보다 우수한 성능으로 병변 부하 역학을 더 정확하게 포착합니다.
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.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기