김호준 연구실은 의료 영상 분석 분야에서 인공지능과 신경망 모델을 활용한 다양한 연구를 수행하고 있습니다. 특히 X-ray, 초음파 등 다양한 의료 영상에서 진단에 필요한 주요 파라미터를 자동으로 추출하는 기술 개발에 집중하고 있습니다. 예를 들어, 흉추 분할, 콥 각도 및 VHS와 같은 진단 지표를 자동으로 산출하기 위한 심층 신경망 기반의 조직 분할 기법을 제안하였으며, 이를 통해 의료진의 진단 효율성과 정확도를 크게 향상시키고 있습니다. 이 연구실은 영상 내 조직의 상대적 위치 정보와 세부 구조를 효과적으로 반영할 수 있는 병렬 구조의 신경망 모델을 도입하였으며, 채널 어텐션 모듈과 OCR 모듈 등 첨단 딥러닝 기법을 결합하여 학습 성능을 극대화하고 있습니다. 또한, 다양한 형태와 크기의 변형, 위치 변화 등 실제 임상 환경에서 발생할 수 있는 다양한 변수에 강인한 성능을 보장하기 위해 데이터 증강 기법도 적극적으로 활용하고 있습니다. 이러한 연구는 실제 임상 데이터와 동물 실험 데이터를 기반으로 검증되었으며, 의료 영상 분석의 자동화와 정밀화에 크게 기여하고 있습니다. 앞으로도 김호준 연구실은 인공지능 기반 의료 영상 분석의 새로운 패러다임을 제시하며, 진단의 신뢰성과 효율성을 높이는 혁신적인 기술 개발에 매진할 계획입니다.

김호준 연구실은 패턴 인식 분야에서 신경망, 특히 퍼지 최대-최소(FMM) 신경망 및 CNN(합성곱 신경망) 기반의 다양한 특징 추출 및 분류 기법을 연구하고 있습니다. 본 연구실은 하이퍼박스 기반의 신경망 모델을 활용하여 각 특징과 패턴 클래스 간의 연관도를 정량적으로 평가하고, 이를 통해 효과적인 특징 선별 및 분류 규칙을 추출하는 방법론을 개발하였습니다. 이러한 방법론은 수화 인식, 손동작 인식, 얼굴 검출, 행동 인식 등 다양한 영상 및 시계열 데이터의 패턴 분류 문제에 적용되고 있습니다. 특히, 착용식 장치 없이 동영상 데이터만으로도 동적 패턴을 인식할 수 있는 신경망 구조와, 시공간적 변이를 효과적으로 처리할 수 있는 3차원 수용영역 기반 CNN 모델을 제안하였습니다. 또한, 퍼지 신경망의 가중치 및 연관도 척도를 활용하여 분류기의 규모를 최적화하고, 학습 데이터의 왜곡을 최소화하는 알고리즘을 개발하였습니다. 이 연구는 실제 데이터셋을 활용한 다양한 실험을 통해 그 유용성과 성능을 입증하였으며, 패턴 인식 분야의 이론적 발전과 실용적 응용 모두에 기여하고 있습니다. 앞으로도 김호준 연구실은 신경망 기반 패턴 인식 기술의 고도화와 새로운 응용 분야 개척에 힘쓸 예정입니다.

김호준 연구실은 지능형 의료 진단 및 IT 융합기술 개발에도 활발히 참여하고 있습니다. 의료진단키트 영상의 자동 판독, 조명 변화 보정, 초음파 영상의 다중영역 추적 등 다양한 의료 IT 융합 솔루션을 개발하여 특허로도 다수 출원하였습니다. 이러한 기술은 모바일 환경에서의 의료 영상 판독, 진단 파라미터의 자동 추출 및 시각화, 그리고 임상 진단의 신뢰성 향상에 직접적으로 기여하고 있습니다. 특히, 조영증강 초음파 영상에서 조영제의 전이시간, 확산 패턴 등 다양한 진단 파라미터를 영상으로 생성하고, 호흡에 의한 흔들림이나 노이즈를 보정하는 알고리즘을 개발함으로써, 기존의 육안 판별 방식이 가진 한계를 극복하고 있습니다. 또한, 의료진단키트의 자동 인식 과정에서 발생하는 조명 변화에 의한 왜곡을 보정하는 기술도 개발하여, 현장 진단의 정확성과 신뢰도를 높이고 있습니다. 이러한 연구는 한국연구재단, 정보통신연구진흥원 등 다양한 국가 연구과제와 연계되어 진행되고 있으며, 실제 임상 및 산업 현장에서의 적용 가능성을 높이고 있습니다. 앞으로도 김호준 연구실은 의료와 IT의 융합을 통한 혁신적인 진단 및 분석 기술 개발에 앞장설 것입니다.