의료 영상 분석 분야는 최근 딥러닝 기술의 발전과 함께 비약적인 성장을 이루고 있습니다. 신승연 연구실에서는 CT, 초음파, 안저 영상 등 다양한 의료 영상을 대상으로 질병의 자동 진단 및 분류, 병변의 위치 추정, 그리고 조직의 형태 분석을 위한 첨단 알고리즘을 개발하고 있습니다. 특히, 소장 카르시노이드 종양과 간 병변, 유방 초음파 영상 내 종양 등 진단이 어려운 희귀 질환이나 미세 병변을 효과적으로 탐지하기 위한 연구에 집중하고 있습니다. 이러한 연구는 대규모 의료 영상 데이터셋을 활용하여, 딥러닝 기반의 분할(Segmentation), 분류(Classification), 검출(Detection) 네트워크를 설계하고, 실제 임상 환경에서의 적용 가능성을 높이기 위한 다양한 실험을 수행합니다. 예를 들어, 소장 카르시노이드 종양의 경우, 기존의 진단 방법으로는 놓치기 쉬운 미세 병변을 자동으로 탐지할 수 있는 네트워크를 개발하여, 민감도와 특이도를 동시에 향상시키는 성과를 거두고 있습니다. 또한, 약한 지도 학습(Weakly Supervised Learning)과 반지도 학습(Semi-supervised Learning) 기법을 도입하여, 라벨링이 제한적인 의료 영상 데이터의 한계를 극복하고 있습니다. 이러한 연구 결과는 실제 임상 진단의 정확도와 효율성을 크게 높일 수 있으며, 의료진의 업무 부담을 줄이고 환자의 조기 진단 및 치료에 기여할 수 있습니다. 앞으로도 신승연 연구실은 다양한 의료 영상 모달리티와 질환을 대상으로, 인공지능 기반의 자동 진단 시스템을 고도화하여, 미래 의료 환경의 혁신을 선도할 계획입니다.

신승연 연구실은 컴퓨터 비전과 영상 신호처리 기술을 융합하여, 2D 및 3D 영상 데이터의 구조적, 형태적 특징을 효과적으로 분석하는 연구를 수행하고 있습니다. 특히, 혈관 구조 분석, 망막 동맥/정맥 분류, 3D 형태 복원 등 다양한 응용 분야에서 혁신적인 알고리즘을 개발하고 있습니다. 예를 들어, 혈관의 연결성(Graphical Connectivity)을 학습하는 딥러닝 네트워크를 통해, 복잡한 혈관망의 구조를 정확하게 분할하고, 망막 영상에서 동맥과 정맥을 자동으로 분류하는 기술을 선보였습니다. 이러한 연구는 영상 내 객체의 위상적(Topology-aware) 특성을 반영하는 네트워크 구조 설계, 트리플라나(Triplanar) 합성곱 신경망 등 새로운 딥러닝 아키텍처의 개발로 이어지고 있습니다. 또한, 3D 영상 데이터의 분류 및 형태 검색(Shape Retrieval) 문제에 있어서도, 2D 커널을 공유하는 혁신적인 접근법을 통해, 계산 효율성과 정확도를 동시에 확보하고 있습니다. 이러한 기술은 의료 영상뿐만 아니라, 일반 영상 처리, 자율주행, 로봇 비전 등 다양한 분야로의 확장이 가능합니다. 신승연 연구실의 컴퓨터 비전 및 영상 신호처리 연구는, 영상 데이터의 복잡한 구조와 패턴을 심층적으로 이해하고, 이를 바탕으로 새로운 인공지능 기반 분석 도구를 개발하는 데 중점을 두고 있습니다. 앞으로도 다양한 영상 데이터와 응용 분야를 아우르는 융합 연구를 지속적으로 추진할 예정입니다.