earticle

영어

This study proposes a method for automatically segmenting kidney and kidney tumors from abdominal CT images using a U-Net-based convolutional neural network. The model proposed in this paper utilizes the convolutional neural network structure of the encoder-decoder structure for the semantic segmentation of 3D images. We built multiple models by introducing various types of skip connections and compared the models' performance. In addition, we present a loss function to solve the class imbalance problem during the learning process, which is common in medical image segmentation. We used the KiTS19 dataset to train kidneys and tumors and augmented the data by utilizing various rotations and elastic deformations. The method proposed in this paper introduces skip connections, Dice Loss, and Focal Loss to show a performance improvement of up to 7.28%.

한국어

본 연구에서는 복부 CT 영상으로부터 신장과 신장에서 발생한 종양을 U-Net 기반의 컨볼루션 신경망으로 자동으 로 분할하는 방법을 제안한다. 본 논문에서 제안하는 모델은 3차원으로 촬영된 영상의 시멘틱 분할을 위하여 Encoder-Decoder 구조의 컨볼루션 신경망 구조를 활용하며, 여러 방식의 skip connection을 활용하여 구성하고 비교했다. 아울러 의료 영상 분할에서 자주 나타나는 학습 과정 중 클래스 불균형 문제를 해결하기 위한 손실 함수 를 제시한다. 신장 및 신장 내의 종양에 대한 학습은 KiTS19 데이터셋을 사용했으며, 회전 변환, elastic deformation 등의 다양한 변환을 활용하여 데이터를 증강했다. 본 논문에서 제안하는 방법은 skip connection과 Dice Loss 및 Focal Loss를 활용함으로써, 이를 도입하기 전과 비교하여 최대 7.28%의 성능 향상을 보였다.