이 연구 주제는 CT, 초음파 등 다양한 의료영상에서 병변, 혈관, 장기 구조를 정밀하게 분할하고 검출하는 인공지능 기술 개발에 초점을 둔다. 연구실은 의료영상의 복잡한 해부학적 구조와 낮은 대비, 영상 잡음, 병변 크기의 다양성 같은 실제 임상 환경의 어려움을 해결하기 위해 고성능 딥러닝 모델을 설계한다. 특히 혈관 분할, 간 병변 분석, 일반 병변 검출과 같은 문제를 통해 의료진의 판독을 보조하고 진단 정확도를 높이는 방향으로 연구를 확장하고 있다. 핵심 방법론으로는 합성곱신경망 기반의 분할 모델, 병변 위치 추정을 위한 검출 네트워크, 그리고 구조적 연결성을 반영하는 그래프 기반 표현이 활용된다. 혈관처럼 길고 연결된 구조는 단순 픽셀 분류만으로는 정확히 복원하기 어렵기 때문에, 연구실은 그래프 연결성 학습과 같은 구조 인식형 접근을 통해 더 안정적인 분할 성능을 추구한다. 또한 CT 병변 검출에서는 강도 분포나 voxel 수준 특성을 감독 신호로 활용하여 경계가 불분명한 병변도 더 잘 찾아낼 수 있도록 모델을 개선한다. 이 연구는 단순한 알고리즘 성능 향상을 넘어 실제 임상 적용 가능성에 큰 의미가 있다. 의료영상 분할과 검출의 정확도가 향상되면 영상 판독 시간 단축, 병변 누락 감소, 영상 기반 정량 분석의 신뢰도 향상으로 이어질 수 있다. 향후에는 3차원 의료영상, 다기관 데이터, 희귀 병변까지 포괄하는 더욱 일반화된 분석 프레임워크로 발전하여 진단 보조, 치료 계획 수립, 예후 예측에 폭넓게 기여할 것으로 기대된다.

의료영상 인공지능 개발에서 가장 큰 제약 중 하나는 정밀 주석 데이터의 부족이다. 병변의 위치와 경계를 전문가가 직접 표시한 강한 주석 데이터는 비용과 시간이 많이 들기 때문에 대규모 확보가 어렵다. 이에 따라 연구실은 적은 수의 정밀 주석 데이터와 상대적으로 쉽게 수집할 수 있는 약한 주석 데이터를 함께 활용하는 약지도 및 준지도 학습 전략을 주요 연구 축으로 삼고 있다. 유방 초음파 종괴의 위치 추정과 분류 연구는 이러한 방향을 잘 보여준다. 연구실은 약한 주석과 강한 주석을 결합한 하이브리드 학습 시나리오를 설계하여, 적은 정밀 주석만으로도 높은 성능을 달성할 수 있음을 입증하였다. 이는 단순히 라벨 비용을 줄이는 수준을 넘어, 제한된 의료 데이터 환경에서 실제로 동작 가능한 학습 체계를 제시한 것으로 볼 수 있다. 또한 서로 다른 수준의 감독 신호에 맞는 손실 함수와 학습 전략을 체계적으로 구성해 데이터 효율성을 높인다. 이러한 연구는 의료 AI의 확장성과 현실 적용성을 높이는 데 매우 중요하다. 대부분의 의료기관은 대규모 정밀 라벨 데이터를 보유하지 못하므로, 적은 주석으로도 신뢰할 수 있는 모델을 만드는 기술이 필요하다. 앞으로 이 연구는 반지도 학습, 자기지도 표현학습, 능동학습과 결합되어 더 적은 라벨로 더 넓은 질환군을 다룰 수 있는 방향으로 발전할 가능성이 크며, 임상 현장에서 AI 도입 장벽을 낮추는 핵심 기반 기술이 될 수 있다.

연구실은 희귀 병변이나 불균형한 데이터 분포로 인해 학습이 어려운 의료영상 문제를 해결하기 위해 합성 영상 생성과 데이터 증강 기술을 적극 연구하고 있다. 실제 임상 데이터에서는 특정 크기나 형태의 병변이 매우 적게 존재하는 경우가 많으며, 이러한 데이터 편향은 검출 모델의 일반화 성능을 떨어뜨린다. 따라서 연구실은 병변의 크기, 형상, 외형 변이를 반영한 합성 데이터 생성 기술을 통해 학습 데이터를 보강하고 모델의 성능을 향상시키는 접근을 취한다. 특히 종양 크기를 제어할 수 있는 합성 기술은 연구실의 차별화된 강점으로 볼 수 있다. 입력 잠재 변수와 크기 인지 손실을 이용해 원하는 크기의 종양을 생성하고, 이를 CT 영상에 삽입하여 검출 모델 학습에 활용하는 방식은 희귀 종양 문제에 매우 적합하다. 또한 최근 수행 중인 3차원 합성 의료영상 연구는 소·대장처럼 형상이 복잡하고 외형 변화가 큰 구조를 대상으로 하여, 2차원 수준을 넘어서는 현실적인 3D 합성 및 활용 기술로 확장되고 있다. 이 연구의 파급효과는 매우 크다. 합성 데이터가 충분한 품질과 임상적 개연성을 확보하면, 희귀 질환 연구의 데이터 부족 문제를 완화하고 다양한 조건에서 견고한 AI 모델을 개발할 수 있다. 나아가 합성 영상은 검출뿐 아니라 분할, 분류, 이상 탐지, 시뮬레이션 기반 학습 등 여러 하위 과제에 공통적으로 활용될 수 있어 차세대 의료영상 AI 생태계의 핵심 인프라 기술로 자리잡을 가능성이 높다.