Liver plays an important role in metabolism and is a very important organ for us to maintain life. It is so necessary to manage the liver healthy but most of the diseases are usually manifested after it has progressed considerably. If it is possible to diagnose the disease at an early stage before delayed awareness, treatment effect and prognosis can be improved. We should pay more attention to the volume of internal lesions among several markers for early diagnosis of liver disease. There is a correlation between chronic liver diseases such as liver fibrosis or cirrhosis and the volume of liver, so it is meaningful to focus on it. In the case of interstitial tumors, its volume information can be utilized to determine the direction of future treatment by recognizing the progress at regular intervals. When trying to measure the volume of a specific organ from a 3D biomedical image, more accurate automatic segmentation method should be accompanied. There is still a demand for a method of automatically segmenting out overlooked tumors in the abdominal image of computed tomography and presenting it, so we propose CLU-net combining Convolutional LSTM for U-net and try to satisfy the demand in this paper. The conventional U-net applying the segmentation method for each 2D slice does not utilize the third axis information, but the CLU-net utilizes the information between the slices as a clue via the added Convolutional LSTM to demonstrate better performance.
간은 체내 물질 대사의 핵심적인 역할을 하며 우리가 생명을 유지하는 데에 매우 중요한 장기이다. 이에 따라 간을 건강하게 관리하는 것이 상당히 중요한데, 간의 상태는 간의 용적과 아주 밀접한 상관관계를 보인다. 의료영상으로부터 간의 용적을 자동으로 계산하기 위해서는 정확한 분할 작업이 선행되어야 하는데, 현재까지도 임상에서는 방사선 학자들의 수동 분할 기법에 의존하고 있는 실정이다. 이는 시간과 노동 측면에서 소모되는 비용이 크기 때문에 신뢰도가 충분한 자동 분할 기법이 개발된다면 의료계에 크게 기여할 수 있다. 특히 엑스선 전산화 단층 촬영의 복부 영상의 간을 다른 장기들과 구분해 내는 것이 높은 난이도의 이슈 중 하나인데, 본 논문에서는 U-net에 Convolutional LSTM을 접목시킨 CLU-net을 제안하여 해당 이슈를 해결하고자 한다. 각 2D 슬라이스마다 분할 기법을 적용하는 기존의 U-net은 제 3의 축 정보를 활용하지 못하는 반면, CLU-net은 추가된 Convolutional LSTM을 통해 슬라이스 간 정보를 단서로 활용하여 더 좋은 성능을 발휘한다.