결직장 용종의 크기, 색상 및 질감이 다양하고 용종과 주변 점막의 경계가 불명확하여 용종 분할에 큰 어려움이 있습니다. 결직장 용종 분할 정확도를 높이기 위해 본 논문에서는 개선된 DoubleUNet 네트워크 분할 알고리즘을 제안합니다. 이 알고리즘은 우선 용종 이미지에서 반사광 제거를 수행하고 데이터 증강 방법을 통해 학습 데이터셋을 확장합니다; 이후 DoubleUNet 네트워크의 디코더 부분에 주의 메커니즘을 도입하고, 네트워크 내의 공극 공간 합성곱 풀링 피라미드(ASPP) 모듈을 밀집 연결 공극 공간 합성곱 풀링 피라미드(DenseASPP) 모듈로 대체하여 네트워크의 특징 추출 능력을 향상시킵니다; 마지막으로 작은 대상의 분할 정확도를 높이기 위해 Focal Tversky Loss 함수를 본 알고리즘의 손실 함수로 활용합니다. 이 알고리즘은 Kvasir-SEG, CVC-ClinicDB, ETIS-Larib, ISIC 및 DSB 데이터셋에서 각각 0.9530, 0.9642, 0.8157, 0.9503 및 0.9641의 정확도를 보였으며, DoubleUNet 알고리즘은 각 데이터셋에서 0.9394, 0.9592, 0.8007, 0.9459 및 0.9496의 정확도를 나타냈습니다. 실험 결과 본 알고리즘이 DoubleUNet 알고리즘에 비해 더 우수한 분할 효과를 가지고 있음을 보여주었으며, 의사가 결직장 이상 조직을 효과적으로 절제하는 데 도움을 주어 용종 암화 가능성을 줄일 수 있고, 다른 의료 영상 분할 작업에도 적용할 수 있습니다.

영상 분할; 결직장 용종; 공극 합성곱; 주의 메커니즘; 조건 랜덤 필드