U자형 네트워크 구조를 가진 뇌종양 자동 분할 방법은 여러 번의 컨볼루션 및 샘플링 작업으로 인해 정보 손실이 발생하여 분할 성능이 저하된다. 이를 해결하기 위해, 의미 정보 흐름을 활용하여 업샘플링 특징 복구를 안내하는 특징 정렬 유닛을 제안하였으며, 이를 기반으로 경량 중복 주의 특징 정렬 네트워크(DAFANet)를 설계하였다. 먼저, 특징 정렬 유닛을 3D UNet, DMFNet, HDCNet 세 가지 고전적 네트워크에 각각 도입하여 그 유효성과 일반화 가능성을 검증하였다. 다음으로 DMFNet을 기반으로 경량화된 중복 주의 특징 정렬 네트워크 DAFANet을 구축하여, 특징 정렬 유닛을 활용해 업샘플링 과정 중 특징 복구를 강화하였다. 3D 기대 최대화 주의 메커니즘은 특징 정렬 경로와 연쇄 경로에 동시에 작용하여 문맥 전반에 걸친 종속 관계를 집중적으로 획득한다. 또한, 일반화된 Dice 손실 함수를 사용하여 데이터 불균형 상황에서 분할 정확도를 향상시키고 모델 수렴 속도를 높였다. 마지막으로 BraTS2018과 BraTS2019 공개 데이터셋에서 검증하였으며, 본 논문 알고리즘은 ET, WT, TC 영역의 분할 정확도가 각각 80.44%, 90.07%, 84.57% 및 78.11%, 90.10%, 82.21%에 달했다. 현재 대중적인 분할 네트워크에 비해 증강된 종양 영역에 대해 더 우수한 분할 효과를 보이며, 세부 정보와 경계 정보 처리에 더 능숙하다.

뇌종양; 영상 분할; 특징 정렬; 주의 메커니즘; 경량화