Lung CT Image Segmentation을 위한 패딩 보정 및 U-Net 성능 연계 연구

Padding Compensation for Lung CT Image Segmentation with U-Net

연구 내용

패딩에서 유래하는 출력 왜곡을 보정한 모델이 U-Net 기반 폐 CT 분할 성능에 미치는 영향을 분석하는 연구

의료 영상 분할에서는 입력 데이터의 공간적 경계에서 발생하는 처리 오차가 예측 결과에 영향을 줄 수 있습니다. 연구에서는 zero padding에서 나타나는 convolution 출력 오차를 효율적으로 보정하는 알고리즘을 설계하고, 이를 patch based SRResNet에서 검증한 뒤 U-Net 기반 Lung CT Image Segmentation에 적용합니다. 보정 방식은 convolving 필터 특성을 고려하여 출력의 불일치를 보정하는 구조로 구성되며, 기존 partial convolution based padding 계열 접근 대비 성능을 비교하여 의료영상 분할 적용 가능성을 확인합니다.

관련 프로젝트

0건

연구 흐름

2022년 연구에서는 SRResNet에서 패딩 방식이 skip connection에 미치는 제약을 다루며 PCP 기반 padding이 patch 입력에서 유효할 수 있음을 탐색했습니다. 2024년에는 zero padding에 내재된 출력 오차를 필터 특성에 기반해 직접 보정하는 compensation algorithm을 제안했습니다. 이후 이 보정 알고리즘을 단순 SR 모델을 넘어 U-Net으로 확장하여 Lung CT Image Segmentation에서의 성능 차이를 평가했습니다. 특히 PCP 대비 일반화된 padding 전략으로서의 유효성을 확인하며, 분할 네트워크에서 경계 처리 문제가 갖는 영향을 정량적으로 비교하는 방향으로 연구를 전개했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

폐 CT 분할 정확도 향상
의료영상 U-Net 입력 품질 개선
분할 경계 오류 감소
패딩 보정 기반 전처리 대체
의료영상 분석 파이프라인 안정화
데이터 부족 환경에서의 견고성 확보
SR-분할 연계 모델 설계
임상 데이터 경계 영역 성능 개선
패딩 전략 자동 선택 로직
의료영상 학습 안정화 모듈