피부 병변의 정확한 분할은 조기 피부암의 발견과 치료에 있어 매우 중요하다. 본 연구는 피부 병변 분할을 개선하기 위해 DeepLabv3 및 U-Net 아키텍처에 공간 주의(spatial attention) 메커니즘을 결합한 새로운 접근법을 제안한다. ISIC 데이터셋을 사용한 본 연구는 이러한 모델에 주의 메커니즘을 통합할 경우 성능이 유의하게 향상됨을 보여준다. DeepLabV3는 조밀한 공간 정보를 포함하는 atrous spatial pyramid pooling(ASPP)을 통해 다중 스케일의 문맥 정보를 포착하는 반면, U-Net은 인코더-디코더 구조를 통해 세부적인 디테일을 효과적으로 포착한다. 공간 주의 메커니즘은 모델이 가장 관련성 높은 이미지 영역에 동적으로 집중할 수 있게 함으로써 정확도와 견고성을 향상시킨다. 모델은 회전, 스케일링, color jittering과 같은 데이터 증강 기법을 사용하여 다양한 ISIC 데이터셋에서 학습되며, 병변 외관의 변동성과 제한된 데이터 크기를 처리하도록 설계되었다. 화소 단위 정확도와 경계 정밀도를 균형 있게 조절하는 복합 손실 함수가 학습 과정을 안내한다. 실험 결과, 주의가 강화된 DeepLabV3 및 U-Net 모델은 기준 모델에 비해 더 높은 정확도와 Intersection over Union(IoU) 점수를 달성하여 더 우수한 성능을 보였다. 본 연구는 피부 병변 분할을 위한 주의가 강화된 DeepLabV3 및 U-Net 모델의 잠재력을 강조하며, 조기 피부암 발견과 치료에 있어 피부과 전문의에게 유용한 도구가 될 수 있음을 시사한다. 제안된 모델은 분할 정확도를 향상시키는 동시에 임상 적용을 위한 확장 가능한 솔루션을 제공한다.

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