의료 영상 분할은 임상 분석 및 응용 분야에서 중요한 과제입니다. 최근 딥러닝 기술이 여러 시나리오에서 중요한 역할을 하지만, 개별 픽셀 수준에서의 훈련은 기하학적 사전 정보 부족을 야기합니다. 연구자들은 분할 과정 내외부 영역의 영역과 길이를 고려하여 의료 영상 분할 성능을 향상시키기 위해 손실 함수에 Chan-Vese 모델을 통합했습니다. 하지만 이러한 방법은 여전히 분할된 영역에 대한 효과적인 특징화를 부족합니다.
평균 곡률을 기하학적 자연 제약으로 도입하고, 연산 비용을 절약하기 위해 컨볼루션 커널을 사용하여 평균 곡률을 근사하는 심층 능동 윤곽선과 평균 곡률(DACMC) 손실 함수를 제안합니다. 간과 비장 데이터셋에서 제안된 방법의 성능을 검증했습니다. 제안된 방법은 여러 분할 데이터셋에서 새로운 최고 성능을 보여줍니다.
DACMC 손실 함수는 기존 방법의 한계를 극복하고 의료 영상 분할의 정확도를 향상시키는 데 기여합니다.