불확실성 인지 유방 초음파 분석을 위한 다단계 양방향 디코더 상호작용

Multi-Level Bidirectional Decoder Interaction for Uncertainty-Aware Breast Ultrasound Analysis

유방 초음파 영상 해석은 병변 분할과 조직 분류를 동시에 요구합니다. 그러나 기존의 다중 작업 학습 방식은 작업 간 간섭 및 경직된 조정 전략으로 인해 개별 예측의 어려움에 효과적으로 적응하지 못합니다. 본 연구에서는 다단계 디코더 상호작용과 불확실성을 고려한 적응적 조정을 통해 이러한 한계를 해결하는 다중 작업 프레임워크를 제안합니다. 작업 상호작용 모듈은 모든 디코더 레벨에서 작동하며, 어텐션 가중 평균 풀링과 곱셈 조절을 통해 공간 재구성을 과정에서 양방향의 분할-분류 통신을 구축합니다. 기존의 단일 레벨 또는 인코더 기반 접근 방식과 달리, 본 연구의 다단계 설계는 의미-공간 스케일 전반에 걸쳐 스케일별 작업 시너지를 포착하여 상호 보완적인 작업 상호작용 스트림을 생성합니다. 불확실성 프록시 어텐션은 각 레벨에서 특징 활성화 분산을 사용하여 기본 특징과 향상된 특징의 가중치를 적응적으로 조정함으로써, 휴리스틱 튜닝 없이 레벨별 및 샘플별 작업 균형을 가능하게 합니다. 또한, 인스턴스 적응 예측을 지원하기 위해 다중 스케일 컨텍스트 퓨전은 다양한 병변 크기에 따른 형태학적 정보를 획득합니다. 여러 공개 유방 초음파 데이터셋에 대한 평가 결과, 74.5%의 병변 IoU와 90.6%의 분류 정확도를 포함한 경쟁력 있는 성능을 보였습니다. 추가 분석 결과, 다단계 작업 상호작용이 상당한 성능 향상을 제공하며, 디코더 레벨의 양방향 통신이 기존의 인코더 기반 파라미터 공유 방식보다 효과적임을 입증했습니다. 관련 코드는 다음 주소에서 확인할 수 있습니다: https://github.com/C-loud-Nine/Uncertainty-Aware-Multi-Level-Decoder-Interaction.

Breast ultrasound interpretation requires simultaneous lesion segmentation and tissue classification. However, conventional multi-task learning approaches suffer from task interference and rigid coordination strategies that fail to adapt to instance-specific prediction difficulty. We propose a multi-task framework addressing these limitations through multi-level decoder interaction and uncertainty-aware adaptive coordination. Task Interaction Modules operate at all decoder levels, establishing bidirectional segmentation-classification communication during spatial reconstruction through attention weighted pooling and multiplicative modulation. Unlike prior single-level or encoder-only approaches, this multi-level design captures scale specific task synergies across semantic-to-spatial scales, producing complementary task interaction streams. Uncertainty-Proxy Attention adaptively weights base versus enhanced features at each level using feature activation variance, enabling per-level and per-sample task balancing without heuristic tuning. To support instance-adaptive prediction, multi-scale context fusion captures morphological cues across varying lesion sizes. Evaluation on multiple publicly available breast ultrasound datasets demonstrates competitive performance, including 74.5% lesion IoU and 90.6% classification accuracy on BUSI dataset. Ablation studies confirm that multi-level task interaction provides significant performance gains, validating that decoder-level bidirectional communication is more effective than conventional encoder-only parameter sharing. The code is available at: https://github.com/C-loud-Nine/Uncertainty-Aware-Multi-Level-Decoder-Interaction.