자기 지도 학습과 어텐션 메커니즘을 활용한 3D 폐 결절 분할 네트워크

국문 초록 (Abstract)

폐 결절 검출은 조기 폐암 진단을 위한 가장 중요한 과제 중 하나이다. 특히, 폐 결절 검출과 거짓 양성 감소를 포함하는 분할 프레임워크는 지도 학습에 기반하여 널리 구현되었으며, 폐 결절 탐지 성능을 현저하게 향상시켰다. 그러나 주석이 달린 데이터의 수가 제한적인 경우, 이러한 방법들은 대표적인 특징을 종합적으로 활용하는데 어려움이 있다. 본 논문에서는 폐 결절 분할 프레임워크에 자기지도 학습을 새롭게 적용하고, 어텐션 메커니즘을 활용해 학습할 매개변수의 수를 크게 증가시키지 않으면서 성능을 효과적으로 향상시키는 방법을 제안한다. 우리가 제안한 방식은 데이터가 부족한 환경에서도 정확하고 효율적인 폐 결절 세그멘테이션을 달성한다.

다국어 초록 (Multilingual Abstract)

Pulmonary nodule detection is one of the most important tasks for early lung cancer diagnosis. Especially, end-to-end segmentation framework, including pulmonary nodule detection and false positive reduction have been widely implemented based on supervised learning, leading to significant improvement in performance when detecting pulmonary nodules. However, those methods with a limited number of annotated data sometimes fail to exploit the representative features comprehensively. In this paper, we propose a novel adaptation of self-supervised learning to the segmentation framework. Additionally, we employed attention methods, such as quartet attention module to further enhance the performance without significantly increasing the number of parameters to learn. Our approach brings about a significant improvement in the performance and robustness to pulmonary nodule segmentation.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1. 연구 배경 1
• 1.2. 논문 구성 3
• 제2장 선행연구 5
• 2.1. Deep Learning Model for Lung Cancer Diagnosis 5
• 2.2. U-net 7
• 2.3. Self-Supervised Learning 10
• 2.4. Attention Mechanisms 14
• 제3장 모델 19
• 3.1. NoduleNet 19
• 3.2. Models Genesis 21
• 3.3. Quartet Attention Module 24
• 3.4. Purposed Model 27
• 3.5. 손실 함수 29
• 제4장 실험 31
• 4.1. 데이터 소개 31
• 4.2. 평가 지표 32
• 4.3. 실험 및 결과 33
• 제5장 결론 및 향후 연구 37
• 5.1. 결론 37
• 5.2. 향후 연구 38
• 참고문헌 39
• 국문초록 44
• Abstract 45