SegDT: 의료 영상 분할을 위한 디퓨전 트랜스포머 기반 모델

초록

의료 영상 분할은 질병 진단 및 치료 계획을 포함한 다양한 의료 업무에 있어 핵심적인 역할을 합니다. 특히 피부 병변 분할은 피부암 진단 및 환자 모니터링에 필수적입니다. 본 논문에서는 이러한 맥락에서 확산 트랜스포머(Diffusion Transformer, DiT) 기반의 새로운 분할 모델인 SegDT를 소개합니다. SegDT는 저비용 하드웨어에서 작동하도록 설계되었으며, Rectified Flow를 통합하여 추론 단계를 줄이면서도 생성 품질을 향상시키고 표준 확산 모델의 유연성을 유지합니다. 제안된 방법은 세 가지 벤치마킹 데이터셋에서 평가되었으며, 여러 기존 연구와 비교하여 최첨단 성능을 달성하면서도 빠른 추론 속도를 유지합니다. 이는 실제 의료 현장에서의 적용 가능성을 높이는 요소입니다. 본 연구는 의료 영상 분석 분야에서 딥러닝 모델의 성능과 기능을 발전시켜, 의료 전문가들을 위한 더 빠르고 정확한 진단 도구를 가능하게 합니다. 코드는 https://github.com/Bekhouche/SegDT{GitHub}에서 공개되어 있습니다.

English

Medical image segmentation is crucial for many healthcare tasks, including disease diagnosis and treatment planning. One key area is the segmentation of skin lesions, which is vital for diagnosing skin cancer and monitoring patients. In this context, this paper introduces SegDT, a new segmentation model based on diffusion transformer (DiT). SegDT is designed to work on low-cost hardware and incorporates Rectified Flow, which improves the generation quality at reduced inference steps and maintains the flexibility of standard diffusion models. Our method is evaluated on three benchmarking datasets and compared against several existing works, achieving state-of-the-art results while maintaining fast inference speeds. This makes the proposed model appealing for real-world medical applications. This work advances the performance and capabilities of deep learning models in medical image analysis, enabling faster, more accurate diagnostic tools for healthcare professionals. The code is made publicly available at https://github.com/Bekhouche/SegDT{GitHub}.

SegDT: 의료 영상 분할을 위한 디퓨전 트랜스포머 기반 모델

SegDT: A Diffusion Transformer-Based Segmentation Model for Medical Imaging

초록

Support