본 연구에서는 뇌종양 분할 및 분류를 위한 새로운 딥러닝 아키텍처 SMDeepNet을 제안한다. SMDeepNet은 최적화된 DeepLabV3++와 Self-Attention을 포함한 Fused Fire Module에 기반한다. 분할 프레임워크는 DeepLabV3+ 신경망에 기반한 다운샘플링 및 업샘플링으로 구성되며, ResNet-50 백본 아키텍처의 학습을 위해 하이퍼파라미터를 동적으로 초기화함으로써 최적화된다. 다운샘플링 또는 인코더 단계에서는 Atrous Spatial Pyramid Pooling(ASPP) 모듈이 다양한 필터 크기와 확장을 갖는 합성곱 계층을 사용하여 특징을 추출한다. 이후 이러한 특징은 최종 분할을 위해 업샘플링 또는 디코더 구간으로 전달된다. 분류 프레임워크는 두 개의 하위 프레임워크로 구성된다: fire-residual bottleneck(Fire-RB)과 Hybrid Efficient Attention(Hybrid-EA)이다. Fire-RB 프레임워크는 여러 개의 병렬 블록을 포함하며, 한쪽은 fire 메커니즘에서의 squeeze-and-expand 동작을 수행하고, 다른 한쪽은 잔차 병목(residual bottlenecks)을 수행한다. 두 병렬 블록의 출력을 연결(concatenation)한 후 Fire-RB로부터 특징을 추출한다. Hybrid-EA 모델은 사전학습된 EfficientNetB0 모델의 맞춤형 변형으로서 self-attention 메커니즘을 통합한다. 이 self-attention 메커니즘은 EfficientNetB0 모델의 기능을 향상시킨다. Fire-RB와 Hybrid-EA로부터 추출된 특징은 채널 방향으로 연결되며, 최종 양상(modality) 분류가 수행된다. 본 연구에서는 제안한 방법론을 평가하기 위해 BraTS 2023 데이터셋을 사용하였다. 분할 결과는 정확도, Dice Score, Intersection over Union(IOU)이 각각 0.9871, 0.9420, 0.8951임을 나타냈다. 양상 분류 결과는 정확도 0.9920으로, 최근의 최신(state-of-the-art) 기법들에 비해 향상되었음을 보여준다.

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