24년 6월 3주차 그래프 오마카세

Multi-class Brain Tumor Segmentation using Graph Attention Network

paper link

Keywords

Graph Attention Network, Brain tumor segmentation, Supervoxel clustering

Summary

  • 뇌 종양 분할 문제에서의 그래프 활용도 역시 많은 연구자들로부터 관심을 받고 있습니다. 종양 클래스 별 고유한 불규칙 형태, Curvature 등과 같은 기하학적 특징 정보들을 그래프로 인코딩하여 학습시켰을 때 인상적인 결과를 얻어낼 수 있음도 수많은 연구를 통해 밝혀진 사실입니다.
  • 소개해드릴 논문에서는 static magnetic field 내 비균질성 및 gradient magnetic field 내 비선형성 등의 어려운 문제로 남아있는 뇌 종양 분할 문제에서 어떻게 해당 뇌 종양 클래스 영역을 그래프로 잘 표현시키며, 효율적인 그래프 학습을 위한 어텐션 네트워크를 활용한 사례를 보여줍니다.
  • 저번에 소개해드린 Superpixel 그래프에서의 저차원 공간으로 강제 맵핑시켜 얻어낸 결과는 MRI의 내재적인 볼륨 정보를 모두 잃어버리는 한계점이 존재합니다. 다음을 잘 보존시키기 위해, 해당 논문에서는 Supervoxel이라는 3D 픽셀 클러스터링 기법을 활용합니다.
  • 먼저 MRI modalities 별 뇌 종양 추출 및 인지 장점을 그대로 활용하기 위해 전처리 과정에서 이들을 하나의 3D 이미지로 변환시킨 후, 다양한 픽셀 클러스터링 기법을 활용하여 Supervoxel로 표현합니다. 그리고 그 위에 빠른 그래프 표현 알고리즘으로 활용되어지는 Region Adjacency Graph (RAG)을 기반으로 그래프를 구성합니다. 다음 그래프는 유의미한 종양 픽셀들의 특징들을 각 노드에 그대로 유지하면서 훨씬 적은 개수의 노드로 축소시킬 수 있는 효과를 얻어낼 수 있습니다.
  • 구성된 Supervoxel 그래프를 효율적으로 학습하기 위해, 저자들은 GAT를 다음과 같이 구성하여 학습에 활용합니다. 기존의 GAT 메커니즘을 그대로 활용하여, 동일한 레이블을 갖는 이웃 노드들 사이에 더 높은 가중치의 엣지를 주입하고, 셀프 어텐션의 학습 과정의 안정화를 위해, 다음 연구에서는 멀티헤드 어텐션 기법을 적용하였습니다.
  • 저자들은 실험적으로 그래프 어텐션 메커니즘의 효과를 통해 다중 클래스 뇌종양을 보다 정확하게 분할할 수 있음을 나타냅니다. 또한 Supervoxel 그래프를 입력으로 사용함으로써 학습 속도를 향상시키고, 추론 시간을 약 1.7초 줄일 수 있었습니다.
  • 간략히 요약하자면, 이번에 소개해드린 논문은 픽셀 클러스터링을 활용하여 구성한 그래프를 활용하는 사례를 보여주었으나, 기존 논문과는 달리 MRI의 내재적인 볼륨 정보 등의 손실을 방지하기 위한 Supervoxel 그래프를 활용하고, 뇌 종양 분할 문제에서 그래프 어텐션 메커니즘의 효과를 확인해볼 수 있었습니다.

Read more

25년 8월 2주차 그래프 오마카세

Graph Tensor Networks: An Intuitive Framework for Designing Large-Scale Neural Learning Systems on Multiple Domain paper link : https://arxiv.org/abs/2303.13565 * 현재 토폴로지 신경망의 학습 메커니즘을 설계하는 과정에서 매우 중요한 텐서 연산에 대한 이해를 크게 도와준 논문 하나를 여러분들께 소개해드리려고 합니다. 그래프 구조를 활용하여 다양한 신경망의 텐서 연산

By admin

25년 8월 1주차 그래프 오마카세

A General Graph Spectral Wavelet Convolution via Chebyshev Order Decomposition paper link : https://arxiv.org/abs/2405.13806 official code : https://github.com/liun-online/WaveGC * 그래프 스펙트럼 컨볼루션은 그래프 신호처리 이론을 기반으로 그래프 필터링, 데이터 분석 등의 넓은 분야에서 활용되고 있습니다. 다음은 그래프 스펙트럼 변환을 위한 신호 기저 (고유벡터) 선택

By admin