earticle

한국어

인공지능의 기술의 발달로 인해 의료 분야에도 진단, 예방, 시각화 등 다양한 분야 인공지능이 활용되고 있다. 그러나 환자의 개인 정보 보호를 위해 공개된 데이터가 제한적이어서 인공지능 학습에 어려움이 있다. 본 연구에서는 소수의 데이터로도 안정적으로 학습할 수 있는 TECD (Transformer Encoder Convolutional neural network Decoder)를 제안한다. TECD는 SegFormer의 인코더와 Attention U-net의 디코더를 결합하여 사용한다. 이는 트랜스포머와 합성곱 신경망의 단점을 보완할 수 있도록 설계되었다. 트랜스포머는 이미지의 특징을 풍부하게 잘 추출할 수 있으나 많은 학습 데이터가 필요하며, 합성곱 신경망은 상대적으로 적은 데이터로도 학습할 수 있으나 이미지의 특징 추출에 한계가 있다. TECD는 이러한 두 구조의 장점만 효과적으로 결합했다. 본 연구에서는 용종 분할 데이터인 Kvasir-SEG 데이터셋을 사용하여 실험을 진행하였다. 실험 결과, TECD는 소수의 데이터를 가지고 학습할 때, 트랜스포머 기반의 SegFormer와 합성곱 신경망 기반의 Attention-U-net보다 더 우수한 성능을 보였다. 대장내시경 영상 내의 용종 분할 작업 외에 다양한 의료 영상 분야에 TECD가 적용될 수 있을 것이라 기대한다. 더불어 의료 분야와 같이 소수의 데이터만 공개되는 분야에서도 트랜스포머 기반의 모델을 활용할 수 있는 가능성을 제시한다.