복부 CT 영상에서 전역적 및 지역적 문맥 정보를 고려한 트랜스포머 기반 신장 분할

Q: 이 논문에서 정의한 신장 분할이란 무엇인가?

부분신장절제술을 위한 수술 계획 수립 시 신장의 정확한 위치와 형태를 파악하기 위해 수행하는 필수적인 과정이다. 특히 종양으로 인해 형태가 변화된 신장의 경계 부위를 정교하게 구분하여 형태적 다양성을 효과적으로 반영하는 것을 목표로 한다.

Q: Swin Transformer를 활용한 신장 분할이 기존 ViT 방식보다 효과적인 이유는 무엇인가?

연구 결과, 윈도우 기반 셀프-어텐션 메커니즘을 통해 전역적 문맥 정보와 지역적 정보를 동시에 활용함으로써 신장 경계의 분할 정확도를 높였다. 따라서 종양으로 인한 형태적 변이가 심한 영역의 과소 분할 문제를 크게 개선하고 재현율을 향상시켰다.

김현진; 이해현; 최서린; 홍헬렌

doi:10.9717/kmms.2025.28.1.075

추천

검색

질문

자료유형: 학술저널

저자정보: 김현진 이해현 (서울여자대학교) 최서린 (서울여자대학교) 홍헬렌 (서울여자대학교)

저널정보: 한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제28권 제1호

발행연도: 2025.1

수록면: 75 - 82 (8page)

DOI: 10.9717/kmms.2025.28.1.075

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Accurate kidney segmentation is essential for planning partial nephrectomy, as it allows precise identification of the kidney’s location and morphology. However, in patients with kidney cancer, the presence of tumors can lead to substantial morphological variations, making segmentation challenging. To address this, we propose a transformer-based network that incorporates global context information in combination with a window-based self-attention mechanism to integrate local context. Experimental results show that the proposed method achieves an F1-score of 88.02% by effectively capturing both global and local context around kidney boundaries. In particular, segmentation performance improved significantly for kidneys with large tumors and pronounced morphological changes. Compared to previous methods, the proposed method showed a 3.5%p increase in F1-score and a 7.62%p increase in recall, significantly reducing the issue of under-segmentation.

#Deep Learning #Transformer #Global Context Information #Local Context Information #Kidney Segmentation

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-092160461

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)