earticle

영어

The human body comprises various microstructures, making the segmentation of these microstructures in medical 3D imaging is crucial. Existing segmentation methods perform calculations on the entire image even when microstructures occupy only a small portion, leading to a waste of GPU memory. This issue is exacerbated in large 3D images. This problem is especially noticeable in large 3D image data. To address this inefficiency, we propose a multi-stage network architecture that first identifies the ROI for segmentation and then focuses on segmenting only these identified areas. This approach allows for focused segmentation of microstructures without processing the entire image, reducing computations unrelated to the ROI. The accuracy of the proposed method was evaluated using Dice, IoU, and HD95 metrics, while GPU memory usage and segmentation time were measured to assess performance in each aspect. According to the experimental results, the accuracy was maintained or slightly improved compared to existing models, and segmentation time was reduced by up to 128% for smaller labels. GPU memory savings were approximately 400% during the training process and 110% during the inference process.

한국어

인체는 다양한 미세구조들로 이루어지기 때문에 의료용 3D 이미지에서 미세구조를 구역화하는 것이 중요하다. 기 존 구역화 방법은 미세구조가 전체 이미지의 일부만 차지하는 경우에도 이미지 전체를 대상으로 계산을 수행하여 GPU 메모리가 낭비된다. 특히 크기가 큰 3D 이미지에서 이러한 문제점이 심해진다. 이러한 비효율성을 개선하기 위해, 먼저 구역화할 ROI 영역을 식별하고 식별한 영역만 집중적으로 구역화하는 다단계 네트워크 구조를 제시한 다. 이를 통해 ROI와 관련이 적은 이미지 전체를 계산하지 않고, 미세구조만을 집중적으로 구역화할 수 있다. 제안 하는 방법의 정확도를 Dice, IoU, HD95 평가지표를 통해 평가하였고 GPU 메모리 사용량과 구역화 시간을 측정 하여 각 항목에서의 성능을 평가하였다. 실험결과에 따라, 기존모델과 비교하여 정확도는 유지하거나 소폭 상승하였 으며 구역화 시간은 크기가 작은 라벨에서 128%까지 절감되었다. GPU 메모리는 훈련 과정에서 400%, 추론 과 정에서 110%가량 절약하였다.