눈에 띄는 특징의 부재, 심각한 클래스 불균형, 그리고 병변 자체의 크기 때문에 작은 병변을 찾는 일은 매우 어렵다. 작은 병변 분할을 개선하는 한 가지 접근은 관심 영역(region of interest)을 줄이고 전체 영역에 대해 수행하기보다는 더 높은 민감도로 검사하는 것이다. 이러한 방식은 보통 장기와 병변을 순차적으로 또는 동시에 분할하는 형태로 구현되는데, 이는 장기 분할에 대한 추가 감독이 필요하다. 대신 우리는 추가 라벨링 비용 없이 표적 병변의 강도 분포(intensity distribution)를 활용하여 병변이 위치할 가능성이 있는 영역을 배경으로부터 효과적으로 분리하는 방법을 제안한다. 이 방법은 보조 과제로서 네트워크 학습에 통합된다. 우리는 제안한 방법을 CT 영상에서 소장 카르시노이드 종양의 분할에 적용하였다. 기준선 방법(baseline method)과 비교하여 모든 지표가 향상되었으며(전역(global), 사례별(per case), 종양별(per tumor) Dice 점수 각각 33.5% → 38.2%, 41.3% → 47.8%, 30.0% → 35.9%), 이는 우리의 아이디어의 타당성을 입증한다. 우리의 방법은 네트워크 학습에 표적의 강도 분포 정보를 명시적으로 통합하는 하나의 선택지가 될 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.