DSNet: 가볍고 강력한 피부 병변 자동 분할 네트워크

초록

피부암 CAD 시스템의 핵심인 피부 병변 분할을 위해, 본 연구는 경량화된 DSNet을 제안한다. 깊이별 분리 합성곱과 DenseNet 기반 인코더를 활용해 파라미터를 대폭 줄였으며, ISIC-2017 및 PH2 데이터셋에서 U-Net, FCN8s 및 기존 최고 모델을 능가하는 최고 성능을 달성했다.

상세 분석

본 연구가 제안하는 DSNet의 기술적 핵심과 통찰은 다음과 같다. 첫째, 네트워크의 경량화를 위해 깊이별 분리 합성곱(Depth-wise Separable Convolution)을 디코더에 도입했다. 이는 공간 합성곱과 점별 합성곱을 분리하여, 동일한 필터 크기와 채널 수 대비 표준 합성곱 대비 (1/Nf + 1/K²) 배만큼 파라미터를 감소시킨다. 이로 인해 모델의 계산 효율성과 일반화 성능이 동시에 향상되었다. 둘째, 인코더로 DenseNet-121 구조를 채용했다. Dense Block 내에서 각 레이어는 선행 모든 레이어의 피처 맵을 입력으로 받는 ‘특징 재사용’을 통해 그래디언트 소실 문제를 완화하고, 네트워크가 더 컴팩트해지도록 했다. 또한 Transition Layer를 통해 계산 복잡도를 관리했다. 셋째, U-Net에서 영감을 받은 스킵 연결을 적극 활용했다. 인코더의 각 풀링 레이어 출력을 동일한 해상도의 디코더 업샘플링 레이어에 채널 방향으로 연결함으로써, 서브샘플링 과정에서 손실될 수 있는 공간 정보(예: 병변의 미세한 경계)를 보완하고, 디컨볼루션 오버랩으로 인한 체크보드 아티팩트를 줄이는 데 기여했다. 넷째, 손실 함수로 교차 엔트로피와 IoU의 합을 사용했다. 이는 픽셀 단위 분류 정확도(교차 엔트로피)와 예측 영역과 실제 영역의 중첩 정도(IoU)를 동시에 최적화하여 분할 마스크의 정밀도를 높이는 데 효과적이다. 결과적으로, DSNet은 SOTA 성능을 유지하면서도 상대적으로 적은 파라미터 수를 가진 ‘효율적인’ 아키텍처라는 점에서 실용적 가치가 높다. 이는 의료 현장에서 제한된 컴퓨팅 자원 환경에서의 배포 가능성을 시사한다.