주의 강화 U‑Net 기반 COVID‑19 CT 폐 감염 영역 정밀 분할

초록

본 연구는 주의 메커니즘을 도입한 변형 U‑Net 모델에 데이터 증강 및 후처리 과정을 결합하여 COVID‑19 CT 영상에서 감염 폐 영역을 자동으로 분할한다. 20건의 3D CT 데이터를 2D 슬라이스로 전처리·증강한 뒤 128×128 해상도로 학습시켰으며, Dice = 0.8658, mIoU = 0.8316의 성능을 달성했다. 비증강 모델 대비 Dice 0.0156, mIoU 0.0871 향상을 보였으며, AUC = 1.00에 근접한 분류 정확도를 기록했다.

상세 분석

이 논문은 기존 U‑Net 구조에 주의 게이트(attention gate)를 삽입하고, 사전 학습된 ResNe​t‑34를 인코더 백본으로 활용함으로써 특징 추출 능력을 크게 강화하였다. 주의 블록은 병변 부위에 높은 가중치를 부여하고 배경 영역을 억제해, 특히 저대조도 CT 이미지에서 미세한 감염 패턴을 포착한다. 손실 함수 설계에서도 다중 손실을 조합했는데, Dice 손실과 BCE 손실을 가중 결합한 BCE‑Dice 손실에 표면 손실(surface loss)을 추가함으로써 영역 정확도와 경계 정밀도를 동시에 최적화했다. α 파라미터를 통해 두 손실 간 가중치를 동적으로 조정하는 일반화된 손실 함수는 작은 병변에 대한 과소분할을 방지한다.

데이터 전처리 단계에서는 HU 값의 히스토그램을 분석해