[논문 리뷰] Explainable Continuous-Time Mask Refinement with Local Self-Similarity Priors for Medical Image Segmentation

Rajdeep Chatterjee, Sudip Chakrabarty외 1명|arXiv (Cornell University)|2026. 02. 28.

Cutaneous Melanoma Detection and Management인용 수 0

한 줄 요약

본 논문은 경계 인식에 강한 foot ulcer 분할 모델 LSS-LTCNet를 소개하며 Local Structural Similarity priors와 연속시간 Liquid Time-Constant 정제 루프를 융합해 경계 정밀도에서 SOTA를 달성했다(HD95 8.91 px, Dice 86.96%) 파라미터 수 25.70M.

ABSTRACT

Accurate semantic segmentation of foot ulcers is essential for automated wound monitoring, yet boundary delineation remains challenging due to tissue heterogeneity and poor contrast with surrounding skin. To overcome the limitations of standard intensity-based networks, we present LSS-LTCNet:an ante-hoc explainable framework synergizing deterministic structural priors with continuous-time neural dynamics. Our architecture departs from traditional black-box models by employing a Local Self-Similarity (LSS) mechanism that extracts dense, illumination-invariant texture descriptors to explicitly disentangle necrotic tissue from background artifacts. To enforce topological precision, we introduce a Liquid Time-Constant (LTC) refinement module that treats boundary evolution as an ODEgoverned dynamic system, iteratively refining masks over continuous time-steps. Comprehensive evaluation on the MICCAI FUSeg dataset demonstrates that LSS-LTCNet achieves state-of-the-art boundary alignment, securing a peak Dice score of 86.96% and an exceptional 95th percentile Hausdorff Distance (HD95) of 8.91 pixels. Requiring merely 25.70M parameters, the model significantly outperforms heavier U-Net and transformer baselines in efficiency. By providing inherent visual audit trails alongside high-fidelity predictions, LSS-LTCNet offers a robust and transparent solution for computer-aided diagnosis in mobile healthcare (mHealth) settings.

연구 동기 및 목표

• 조도 변화 및 조직 이질성 하에서 정확한 상처 경계 구분의 도전을 다룬다.
• encoder 초기 특징에 Deterministic Local Structural Similarity (LSS) priors를 통합하여 조직 경계를 고정한다.
• 병목에서의 LTC 연속시간 역학에 기초한 Bottleneck 정제 루프를 도입하여 마스크를 반복적으로 정제한다.
• LSS에서 파생된 조직 프라이어를 시각적 감사 추적로 노출하여 선험적 설명 가능성을 제공한다.

제안 방법

• 로컬 패치 상관 통계를 인코더에 주입하기 위한 Additive Local Structural Similarity (LSS) Fusion 도입.
• LSS Extractor가 지역 이웃 간 패치 기반 코사인 유사도를 계산하고 소형 컨볼루션을 통해 인코더에 매핑되는 LSS 맵을 구성.
• Bottleneck에서 연속시간 ODE를 풀어 정제 토큰을 반복적으로 업데이트하는 Liquid Time-Constant (LTC) 정제 루프.
• 예측 맵의 Sobel 기울기와 LSS 유도 평균 채널 간의 MSE를 사용한 Boundary Alignment Loss (BAL)로 경계의 위상 일치를 강제.
• 훈련 안정화 및 다중 스케일 학습 촉진을 위한 보조 헤드를 통한 깊은 감독.

실험 결과

연구 질문

• RQ1 deterministic LSS priors가 전통적인 CNN/ViT 베이스라인을 넘어 foot ulcer의 분할 경계 개선에 기여할 수 있는가?
• RQ2 BAL 항이 LSS 및 LTC 구성 요소를 시너지를 내어 경계 정밀도와 Dice 점수를 향상시키는가?
• RQ3 프레임워크가 해석 가능성을 제공하며 LSS 맵이 조직 형태와 정렬되는가?

주요 결과

• LSS-LTCNet은 MICCAI FUSeg 검증 세트에서 Dice 점수 86.96% 및 IoU 79.54%를 달성한다.
• HD95는 8.91 픽셀로, 차기 최고 baselines 대비 약 30% 개선을 나타낸다.
• 모델은 25.70M 매개변수를 가지며 더 무거운 U-Net 및 트랜스포머 베이스라인보다 효율성이 높다.
• ABLATION에서 BAL 없이 LSS와 LTC를 추가하면 Dice가 76.18%로 감소하는데, BAL의 결정적 역할을 강조한다.
• 결정론적 LSS 맵(Mean, Max, Boundary Std)이 분할을 안내하며 타당한 해석 가능성을 제공한다.