Earticle

의료 진단의 정밀성과 효율성이 요구됨에 따라, 영상 기반 진단 기술은 삶의 질을 향상하는 핵심 수단 으로 주목받고 있다. 특히 이미지 분할(segmentation) 기술은 장기나 병변을 정밀하게 식별하여 진단과 치료 계 획 수립에 실질적인 도움을 줄 수 있으며, 다양한 임상 환경에서의 활용 가능성을 바탕으로 활발히 연구되고 있다. 본 논문은 최근 10여 년간 의료 영상 분할 기술의 발전 흐름을 구조별로 정리하고, 각 기술이 실제 임상 환경에서 어떻게 활용되고 있는지를 분석하였다. 이미지 분할 접근은 합성곱 신경망(convolutional neural network), 트랜스포머, 파운데이션 기반 모델의 세 계열로 구분하고, 각 구조의 기술적 특징과 대표적인 임상 적용 사례를 체계적으로 고찰하였다. 또한 각 모델이 임상에 적용되기 위해 요구되는 조건이나 사용 편의성 측 면에서 어떤 차이가 있는지도 함께 살펴보았다. 추후, 이러한 기술은 진단 보조, 치료 설계, 수술 중 실시간 영 상 분석 등 다양한 방식으로 의료 현장에 적용될 수 있으며, 삶의 질 향상을 실현하는 데 중요한 역할을 할 것 으로 기대된다.

As the demand for precision and efficiency in medical diagnosis increases, image-based diagnostic technologies are gaining attention as a key means to improve quality of life. In particular, image segmentation, which enables precise identification of organs and lesions to assist diagnosis and treatment planning, is being actively studied for clinical applicability. This paper reviews the development of medical image segmentation techniques over the past decade and analyzes their use in real-world clinical settings. Segmentation approaches are categorized into three model families: convolutional neural networks (CNN), transformers, and foundational models. We examine each model family’s technical features and clinical use cases, and compare them in terms of implementation requirements and usability. These technologies are expected to support diagnosis, treatment planning, and intraoperative image analysis, ultimately contributing to improved quality of life.

본 논문은 패턴인식, 기계학습 분야에서 널리 쓰이는 베이지안 추정 이론에 근거한 가우시안 베이스 분류기와 나이브 베이스 분류기를 활용하여 명암도 조절 기법이 적용된 영상의 자동 분할을 수행하였다. 각 분야 영상에 대한 시각적 특징의 독립성을 확보하는 동시에 효과적인 픽셀별 영역 분할을 달성하기 위해 명암의 밝기만을 입력 데이터로 사용하였으며, 가능도(likelihood)분석을 통해 명암도 기반의 특징 벡터의 유효성을 검증하였다. 이를 기반으로 명암 대비 스트레칭을 적용한 영상의 가능도 선형판별도와 오류 상한, 분류 정확도의 관계분석 실험을 수행하였다. 추가적으로 베이스 분류기에서 나타나는 낮은 사전확률에 대한 고려를 위해 비정보적 나이브 베이스 분류기에 대한 비교실험을 하였으며, 근사모델의 정확도 평가방법(Cross Validation)을 활용한 최종 실험을 수행하여 두 응용분야 영상에 대한 높은 정확도의 분할 결과를 달성하였다.

In this paper, we propose an image segmentation method using the contrast stretching by Gaussian Bayes and Naive Bayes classifiers. The proposed method is applied to two different applications, such as the magnetic resonance image (MRI) and the scanning electron microscope (SEM) image. To achieve effective results of the image segmentation in each domain, we use the intensity of each pixel as a single-dimension feature, and perform the analysis over classification accuracy, linear discriminant and an error bound. Moreover, we perform the experiments to compare the informative and the non-informative Naive Bayes classifier to overcome an extreme condition where density of pixel intensities has a low prior probability. Finally, we evaluate proposed method with k-fold cross-validation, and achieve accurate results in each domain.

[목적] 본 연구는 Google Earth 기반 위성 이미지를 활용하여 골프 코스의 주요 구성요소를 자동으로 분할하고, 코스구조를 정량적으로 분석하는 방법을 제안하는 데 목적이 있다. 기존 골프 데이터 분석이 선수 경기력과 경기 결과 예측에 집중한 것과 달리, 본 연구는 코스 자체의 공간적·시각적 구조를 분석 대상으로 설정하였다. [방법] 국내 골프장 위성 이미지를 대상으로 HSV 색공간 기반 색상 분할과 형태 분석을 적용하여 페어웨이, 그린, 벙커, 워터 해저드 및 러프 영역을 추출하였다. 또한 구성요소별 면적 비율과 윤곽선 복잡도를 활용하여 골프 코스 구조 지표를 산출하고, 코스 유형에 따른 적용 가능성과 한계를 비교하였다. [결과] 분석 결과, 페어웨이가 명확한 녹색을 띠고 구성요소 간 색상 대비가 뚜렷한 이미지에서는 주요 영역이 비교적 안정적으로 분할되었다. 그러나 그림자가 많은 산악형 코스에서는 그림자 영역이 워터 해저드로 오인되었고, 페어웨이가 비녹색 계열로 나타나는 해안형 코스에서는 페어웨이 검출 성능이 저하되었다. [결론] 본 연구는 HSV 색공간과 형태 분석을 결합한 규칙 기반 방법이 일정한 이미지 조건에서 골프 코스 구조 분석에 활용될 수 있음을 확인하였다. 향후 조도 보정, 그림자 제거 및 딥러닝 기반 분할 기법과의 결합을 통해 분석 정확도와 일반화 가능성을 향상시킬 필요가 있다.

[Purpose] This study aims to propose a method for automatically segmenting major golf course components and quantitatively analyzing course structure using Google Earth-based satellite images. Unlike previous golf data analysis studies that mainly focused on player performance and outcome prediction, this study treats the spatial and visual structure of the course itself as an analytical target. [Method] HSV color space-based segmentation and shape analysis were applied to extract fairway, green, bunker, water hazard, and rough areas from satellite images of domestic golf courses. In addition, the Golf Course Structure Index was calculated using area ratios and contour complexity, and its applicability and limitations were compared across different course types. [Result] The results showed that major areas were relatively stably segmented in images with clearly green fairways and distinct color contrast among components. However, shadow areas were misclassified as water hazards in shadow-rich mountainous courses, and fairway detection performance decreased in coastal courses where fairways appeared in non-green tones. [Conclusion] These findings confirm that a rule-based method combining HSV color space segmentation and shape analysis can be used for golf course structure analysis under certain image conditions. Future research should improve segmentation accuracy and generalizability by incorporating illumination correction, shadow removal, and deep learning-based segmentation methods.

As the number of single-person households increases in South Korea, there is a growing demand for more personalized and space-efficient interior design, particularly among the MZ generation who value individuality. Recently, AI-powered services are being developed for efficient interior design. These services utilize indoor photographs to create digital twin-based 3D interior design programs. However, the quality of service varies significantly depending on the algorithm used. In response to this challenge, this study compares and analyzes the image segmentation performance of Grounded SAM and FastSAM, both derived from the Segment Anything Model (SAM) announced by Meta in early 2023. The ADE20K dataset, related to interior design, and the DAVIS2016 dataset, which focuses on single-object segmentation, were used to evaluate the accuracy and processing speed of the two models and to explore their applicability in real-world interior design workflows. The experimental results shows that Grounded SAM outperforms FastSAM in terms of object recognition accuracy. This research will offer valuable criteria for model selection in the automation of interior design and the development of AR/VR applications.

This paper presents an innovative method for reconstructing 3D models from 2D stereoscopic images captured from the front, back, left, and right sides of an object at 90 - degree horizontal rotations. The proposed process involves several key steps: plant class segmentation using artificial intelligence (AI), disparity and depth mapping from stereo images, point cloud generation, merging multiple point clouds into a single unified point cloud, and mesh application to ensure surface continuity of the 3D model. Recognizing the critical role of accurate segmentation in 3D reconstruction, this study compares two AI segmentation architectures-YOLOv8 and Detectron2-to determine which performs better in terms of segmentation accuracy, training speed, and memory consumption for the plant class. This research focuses on the 3D reconstruction phase of a parent study titled "Investigating Deep Learning for Predicting and Simulating Plant Growth Structures: A Preparatory Effort Towards the Digital Twin Paradigm in Agriculture," whose dataset comprises 2D stereo images of plants that require 3D visualization. Its long-term vision is to develop a user experience that assists farmers in making informed decisions by leveraging predictive models and 3D visualizations of crop growth.

본 논문은 공유형 전동킥보드 시스템 운영 시, 관리 상 발생할 수 있는 주차 문제를 해결하기 위해 반납 인증사진으로 주 차, 비주차 구역을 판단하는 AI모델을 제시한다. 본 연구에서는 주차/비주차 구역 배경 관련 객체를 판별하기 위해 ADE20K 에 Pre_trained된 Segfomer_b0 모델과 점자블록, 전동킥보드에 Fine_tuning한 Segfomer_b0 모델을 통해 주차/비주차에 관련 된 객체의 Segmentation map을 추출하고, Swin 모델을 통해 주차/비주차 구역을 이진 분류하는 방법을 제시하였다. 최종적으 로 총 1,689장을 직접 라벨링한 후 진행한 Fine_tuning SegFomer 모델은 mAP가 81.26% 수준으로 전동킥보드와 점자블록을 인식하였으며, 총 2,817장을 훈련한 Classification 모델은 92.11%의 정확도와 91.50%의 F1-Score로 주차구역과 비주차 구역을 분류하는 것이 가능하였다.

This paper proposes an AI model that determines parking and non-parking zones based on return authentication photos to address parking issues that may arise in shared electric scooter systems. In this study, we used a pre-trained Segformer_b0 model on ADE20K and fine-tuned it on tactile blocks and electric scooters to extract segmentation maps of objects related to parking and non-parking areas. We also presented a method to perform binary classification of parking and non-parking zones using the Swin model. Finally, after labeling a total of 1,689 images and fine-tuning the SegFomer model, it achieved an mAP of 81.26%, recognizing electric scooters and tactile blocks. The classification model, trained on a total of 2,817 images, achieved an accuracy of 92.11% and an F1-Score of 91.50% for classifying parking and non-parking areas.

정보통신기술의 발달로 다양한 공간을 간접 체험할 수 있는 실감미디어에 대한 수요가 증가하고 있다. 간 접 체험을 위한 실감미디어는 몰입감을 주기 위한 기법뿐만 아니라 실제 자연환경의 정보를 반영하는 것이 필수 적이다. 관광지를 배경으로 하는 게임의 경우 관광지의 실제 정보를 제공하는 목적도 있기 때문에 관광지의 실제 지형 정보를 반영하여 모델링하는 것이 필요하다. 본 논문에서는 우리나라의 대표적인 관광자원인 섬과 해안을 실 제 데이터를 반영하여 3차원으로 모델링하는 방법을 제안한다. 제안하는 방법은 복잡한 형태의 지형 정보를 이용 한 정밀한 모델링 방법이 아니라 실시간 랜더링이 적용되는 콘텐츠 제작에 사용되는 모델링 방법이다. 제안하는 방법에서는 인터넷에서 쉽게 구할 수 있는 높이맵 정보를 텍스쳐 이미지에 맞게 보정하여 정확하게 섬과 해안을 모델링한다. 구현 결과를 보면 제안하는 방법이 구글 지도 앱에서 구한 높이 정보와 텍스쳐 정보만을 이용하지만 섬을 사실적으로 모델링하는 것을 보여준다.

With the development of ICT, the demand for indirect experience contents using realistic media is increasing. For indirect experience, it is essential to reflect the real information of the natural environments as well as the immersion techniques. In the case of modeling for a tourist site, it is necessary to reflect the actual topographical information of the site because the purpose of modeling is to provide the actual information there. In this paper, we propose a 3D modeling method of islands and coasts, representative tourism resources in Korea, by reflecting actual data. The proposed method is not a precise modeling method using complex information, but a modeling method used for content such as games that applies real-time rendering. In the proposed method, the islands and coasts are modeled by correcting the height map information easily available on the Internet to fit the texture image. The implementation results show that the proposed method uses only the height and texture information obtained from the Google Maps app but models the island realistically.

In recent years, UNet architecture has shown to be a standard network for medical image segmentation. However, it suffers from some severe limitations. It loses localization ability for low-level details followed by the inability of long-range dependencies. Motivated by this, we explore transformer-based architectures that exploit global context by modeling long-range spatial dependencies, which are essential for accurate polyp segmentation. In this paper, we propose an attention-based transformer encoded UNet model. This hybrid model inherits both characteristics of CNN block as well as attention block. We perform various experiments in existing architectures like UNet, ResUNet, ResUNet-Mod and our proposed method. The proposed method achieved a 0.645 mIOU score took an unassailable lead over prior methods.

간 이식의 가상 수술 계획 수립에는 간 혈관 구조에 따라서 정확하게 간 영역을 구분하는 것이 필요하다. 이러한 요 구 사항들은 기존에는 의사들에 의하여 수작업으로 수행되어왔지만, 최근 CT (computed tomography)의 발전에 따른 영상 데이터량의 급격한 증가로 인하여 의사들의 수작업을 보완할 컴퓨터를 이용한 보조 진단 기술의 필요성이 급증하고 있다. 하지만, 환자와 조영제에 따른 간 CT 영상들의 다양성으로 인하여 기존의 영상 분할, 골격화 기법 들은 실제 데이터에 적용되어 좋은 결과를 보여주기가 어렵다. 본 논문에서는 간 문맥기 CT 영상에서 간 혈관 분할 및 구분 기법과 골격화 기법을 제안한다. 최적 임계값 기법으로 간 혈관을 정확하게 분할 및 구분하고, 경로 나무와 레벨 셋 기법으로 간 혈관을 골격화하여 구조를 분석한다. 20명의 환자 데이터에 대한 실험 결과 제안 기법으로 정 확한 간 혈관 분할 및 골격화가 가능하였다. 제안 기법은 공여자의 간 영역을 구분하는 데 사용될 수 있다.

For the virtual surgery planning of liver transplantation, it is necessary to divide liver segments according to liver vascular structure accurately. Although these requirements have been manually performed by doctors, the demands on computer-aided diagnosis are dramatically growing according to the increased amount of medical image data by the recent development of CT. However, conventional image segmentation, and skeletonization methods cannot be directly applied to clinical data due to the characteristics of liver CT images varied largely by patients and contrast agents. In this paper, liver vessel segmentation, classification, and skeletonization method is proposed in portal-phase liver CT images. Liver vessel is accurately segmented and classified by optimal thresholding. The skeletonization of liver vessel is performed by using path tree and level set method. Experimental results showed that proposed method accurately performed the segmentation and skeletonization of liver vessels for twenty patient datasets. Proposed method can be used for the liver segment division of donors.

Three-dimensional (3D) medical image segmentation is vital in clinical applications, but faces challenges like computational complexity and spatial context loss in 2D processing. To address these issues, we propose 3DAS2D, which processes 3D images as 2D slices while retaining volumetric data for better accuracy. Our approach integrates modules like Neighbour Attention, Memory Attention, Memory Bank, and Mask Encoder to capture inter-slice dependencies and historical context within a 2D prediction framework. Evaluated on four datasets covering prostate, cardiac, and lung tumour tasks, 3DAS2D performed comparably to 3D methods. This work offers an efficient, adaptable solution bridging 2D efficiency and 3D accuracy, with significant clinical potential.

Explainable AI (XAI) has found numerous applications in computer vision. While image classification-based explainability techniques have garnered significant attention, their counterparts in semantic segmentation have been relatively neglected. Given the prevalent use of image segmentation, ranging from medical to industrial deployments, these techniques warrant a systematic look. In this paper, we present the first comprehensive survey on XAI in semantic image segmentation. We analyze and categorize the literature based on application categories and domains, as well as the evaluation metrics and datasets used. We also propose a taxonomy for interpretable semantic segmentation, and discuss potential challenges and future research directions.

This work presents an efficient LTP-based sharpness measure for blur detection and segmentation. The proposed method transforms each pixel into ternary codes depending on the differences of intensity of the central pixel with the neighborhood pixels. These ternary codes have been converted into lower and upper binary patterns. Among these, the non-uniform patterns have been exploited to compute the blur measure and blur segmentation. The proposed methodology performs segmentation without having any explicit information about the type and level of the blur. Experimental results reveal that the proposed method outperforms the state-of-the-art blur detection and segmentation methods.

Computed Tomography (CT) 영상에서 Gaussian noise는 영상이 획득되는 과정에서 불가피하게 발생되며, 이는 segmentation의 성능 및 진단의 정확도를 저하시키는 요인으로 작용한다. 따라서, 본 연구에서는 denoising filter의 종류에 따른 영역확장 (region growing, RG) 기반 segmentation 알고리즘의 성능을 정량적으로 비교 평가하였다. 실험을 위해 Shepp-Logan phantom 영상으로부터 0.05의 표준편차 값을 갖는 Gaussian noise를 부가하고 각각 mean, median, Wiener filter를 적용하였다. 이후, RG 기반 segmentation 알고리즘을 적용하였으며, 이에 대한 정량적 평가를 위해 F1-score와 IoU를 측정하였다. 결과적으로, F1-score 및 IoU 인자 모두 noisy, mean filter, median filter 그리고 Wiener filter 순으로 우수한 값을 보였다. 특히, Wiener filter를 적용하였을 때 noisy 영상과 비교하여 F1-score 및 IoU 인자는 각각 약 1.42배 및 1.75배 향상됨을 확인하였다. 결론적으로, CT 영상의 segementation 정확도를 향상시키기 위해 적합한 denoising filter를 적용해야 함을 증명하였다.

Segmentation is very important in accurate surgical planning such as liver transplantation and resection and identification of lung nodules. In a computed tomography image, Gaussian noise inevitably occurs in the process of acquiring the image. Gaussian noise can interfere with segmentation and interfere with accurate diagnosis, resulting in fatal consequences for patients. Therefore, this study attempted to compare and evaluate which filter is most effective for denoising in performing segmentation. For the study, Gaussian noise was added to Shepp-Logan phantom and mean, median, and Wiener filter were applied, respectively. Thereafter, segmentation was performed using the thresholding technique to evaluate using F1-score and IoU to find the most suitable filter for denoising. As a results, the F1-score was 0.62 for noise-added image, 0.697 for mean filter, 0.858 for median filter, and 0.88 for Wiener filter. The IoU was 0.449 for noise-added image, 0.535 for mean filter, 0.752 for median filter, and 0.785 for Wiener filter. Therefore, the Wiener filter was confirmed to be the most effective for denoising, and it was confirmed that the F1-score improved 1.42 times and the IoU 1.75 times compared to the noise-added image. In conclusion, various denoising filter methods were analyzed to improve the accuracy of segmentation, and Wiener filter is expected to be used in an efficient way.

Colonoscopy is the most effective examination way to detect colon polyps, which are highly related to colorectal cancer. Consequently, it is an important step to segment the poly accurately for diagnosis in clinical practice. However, most prior works focus on performance improvement using deep convolutional neural networks while the discrepancy between the training dataset and the test dataset is ignored. These distribution discrepancies may lead to the model overfitting the training dataset and lacking generalizability on unseen target domains. To alleviate this issue, we propose a Randomized Local Illumination Enhancement Network for polyp image segmentation. Specifically, we first employ an illumination decomposition network to decompose the input images into an illumination component and a reflectance component. The illumination component is augmented by randomly selected local illumination. Then the randomized local illumination-enhanced images are obtained by combining the augmented illumination and the reflectance, which are fed as the input of the segmentation network for improving the model generalizability. We conduct both quantitative and qualitative experiments on four polyp segmentation datasets. The satisfying results demonstrate the effectiveness of our proposed approach in the improvement of model generalizability on unseen data.

2D 퍼즐은 인기있는 보드게임이다. 2D 퍼즐을 완성하는 기술은 많이 연구되었다. 하지만 2D만으로는 대상 을 효과적으로 표현하기 어렵다는 한계가 있다. 본 연구에서는 영상으로부터 높이를 가진 2D+ 레고 퍼즐을 생성하는 방법을 제안한다. 이를 위해서 본 연구에서는 영상의 높이 맵과 분할 맵의 정보를 활용한다. 우리 는 2D+ 퍼즐에 적용하기위해 다양한 대상의 높이 및 영역 정보를 적절하게 처리해야한다. 이러한 이유로, 우리는 깊이 맵과 분할영역 맵을 추출하기 위해 모델에 심층 학습 모델을 적용한다. 높이 맵을 추출하기 위 해 우리는 CelebAMask-HQ dataset으로 학습한 BiseNet을 채택했다. 그리고 분할 맵을 얻기 위해 NYU Depth V2 dataset으로 학습한 DenseDepth를 사용했다. 입력 영상에 대해서 저해상도 영상 및 높이 맵과 분할 맵을 추출하고, 저해상도 영상을 레고 브릭의 색 팔레트를 적용한 영상에 대해서 높이 맵과 분할 맵 정보를 적용해서 높이를 가진 2D+ 픽셀 아트 영상을 생성한다. 그리고, 이 픽셀 아트 영상에 대해서 같은 높이와 같은 색을 가진 픽셀들에 대해서 최대한 큰 브릭을 적용하는 그리디 알고리즘을 적용해서 2D+ 레 고 퍼즐을 완성한다. 본 연구에서는 다양한 초상화를 대상으로 2D+ 레고 퍼즐을 완성하는 예를 제시하였으 며, 그 중 하나를 직접 제작하여 그 결과를 제시한다.

2D puzzles are popular board games. The technique of completing a 2D puzzle has been studied a lot. However, there is a limitation in that it is difficult to effectively express objects only with 2D. We present a 2D+ Lego puzzle generation algorithm that converts an input image into a 2D Lego puzzle with several bricks that represent heights. We employ a depth map estimation scheme and a semantic segmentation scheme for our purpose. We need to properly process the depth and segmentation information of various objects to apply to the 2D+ puzzle. For this reason, we apply deep learning models to the model to extract a depth map and a segmentation map. To extract the segmentation map, we adopted BiseNet learned with CelebAMask-HQ dataset. And DenseDepth learned with NYU Depth V2 dataset was used to obtain the depth map. We downsample the input image to a low-resolutional image and arrange the color information of the image according to the color palette of the allowable Lego bricks. We build a 2D+ pixel art image by corporating the low-resolutional images with the depth map and segmentation map. 2D+ lego puzzle is constructed from this 2D+ pixel art image by applying a greedy algorithm that seeks a largest Lego brick that can fit the candidate space.

흉부 CT 영상에서 폐 질환의 진단을 위해서 폐 분할, 폐혈관 분할과 폐 질환 부위에 대한 괴사 세포 비율의 수치적 계산을 제안 하였다. 첫 번째 단계는 흉부 CT 영상에서 3차원 레이블링 기법과 3차원 영역 성장법을 적용하여 폐와 기관지를 분리한다. 두 번째 단계는 폐혈관 분할은 1차 다항식 회귀(Polynomial Regression)를 사용한 변화율을 적용 하여 분할한 다음, 잡음 제거를 실시하여 최종의 폐혈관을 분할한다. 세 번째 단계는 2단계 이미지 에서 질환 예상 인자를 발견하고, 괴사 세포의 비율을 계산하는 것이다. 질환 예상인자는 폐에 대해서 3차원 레이블링 기법을 적용하였고, 각 레이 블 중심 값을 관측하여 변화가 없는 레이블을 찾는다. 이렇게 찾은 질환 예상 인자는 조영제 투입 전/후 영상을 정합한 뒤, 면적을 비교하면 폐의 괴사 세포 비율을 계산할 수 있다.

We proposed a numerical calculation of the proportion of necrotic cells in pulmonary segmentation, pulmonary vessel segmentation lung disease site for diagnosis of lung disease from chest CT images. The first step is to separate the lungs and bronchi by applying a three-dimensional labeling technique from a chest CT image and a three-dimensional region growing method. The second step is to divide the pulmonary vessels by applying the rate of change using the first order polynomial regression, perform noise reduction, and divide the final pulmonary vessels. The third step is to find a disease prediction factor in a two-step image and calculate the proportion of necrotic cells.

딥러닝 기반 방법이 의료 이미지 분할에서 우수한 성능을 달성했지만 이러한 방법은 여전히 몇 가지 단점이 있다. 첫째, U-Net과 같은 인코더 디코더 구조에서 건너뛰는 연결을 사용할 경우 중복되는 특징과 불필요한 저수준 특징 정보를 다층의 스케일로 전달될 수 있다. 둘째, 이전 방법은 장거리 종속성을 수집 할 수 없으므로 특징 맵을 적절하 게 재구성하지 못한다. 이러한 문제를 완화하기 위해 본 논문에서는 서로 다른 수준에서 전체 상관 관계를 적응적으 로 탐지하고 주의 메커니즘을 활용하는 구조를 제안한다. 이 접근 방법은 지역 특징을 다른 수준으로 통합하고 노이 즈 및 원치 않는 정보를 억제하여 필수적인 특징을 강조한다. 제안하는 구조의 평가를 위해 Kvasir-SEG와 세포핵 분할 등의 두 가지 데이터셋을 이용하여 평가를 한다. 실험 결과에서 제안하는 모델의 정확도가 향상되고 기존의 방 법보다 우수한 성능을 보인다.

Even though deep learning(DL) based methods have been achieving superior performance in medical image segmentation, such methods still have some downsides. First, the use of skipconnections in encoder-decoder architecture like U-Net allows transferring redundant and superfluous low-level features information at multiple scales. Second, prior methods cannot capture long-range dependencies and hence fail to reconstruct the feature maps adeptly. To subdue these problems, we propose an architecture that adaptively captures global correlations from different scales and utilizes the attention mechanism. This approach integrates the local-features at different scales and underlines the essential features by suppressing noises and unwanted information. We evaluate the proposed architecture in the context of medical image segmentation on two different datasets: Kvasir-SEG and nuclei segmentation. Experimental results show that the proposed model yields better accuracy and outperforms previous methods.