의료 영상 자기지도 표현학습 및 음향 기반 NLOS 복원 연구

Self-Supervised Chest Radiography Representation and Acoustic NLOS Imaging

연구 내용

레이블 부족 환경에서 자기지도 표현을 강화하고, 음향 에코 기반 NLOS 시각화를 end-to-end로 수행하는 연구

의료 영상에서는 레이블 부족으로 인해 fully supervised 학습이 제한될 수 있습니다. 연구에서는 chest radiography에서 instance discrimination 계열 자기지도 학습이 CXR 도메인의 국소 특징을 충분히 포착하지 못하는 문제를 확인하고, RS-Layer를 통해 recalibrating과 importance scaling을 동시에 수행하여 미세하고 discriminative한 표현을 학습하도록 구성합니다. 또한 비가시 영역 시각화에서는 음향 장비를 활용해 echolocation을 기반으로 hidden object를 복원하되, 에코 간 간섭과 긴 스캔 시간을 완화하기 위해 동시 수집을 고려한 데이터 처리와 end-to-end 딥러닝 구조를 제안합니다. 음향 분류를 위한 딥러닝 학습 장치 특허와 연계하여 음향 신호 기반 지각 파이프라인을 확장합니다.

관련 프로젝트

0건

연구 흐름

초기에는 CXR에서 자기지도 학습이 요구하는 국소 표현의 부족과 자연 영상과의 분포 차이를 분석했습니다. 이후 RS-Layer 구성요소를 통해 중요 특징을 강조하고 비핵심 특징을 억제하는 방향으로 모델을 설계했으며, 다양한 downstream task로 generalizability와 transferability를 체계적으로 점검했습니다. 다음으로 NLOS에서는 기존 음향 접근의 노이즈 민감성과 신호 요구로 인한 긴 데이터 획득 시간을 문제로 설정했습니다. 스캔 시간 단축을 위한 에코 수집 방식과 end-to-end 생성·판별 구조를 기반으로 hidden object의 윤곽 복원을 수행했습니다. 최종적으로 영상 복원과 표현학습 간 공통점인 특징 추출·재구성 학습 흐름을 축으로 연구를 통합했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

흉부 X선 표현학습
레이블 효율 기반 질병 진단
CXR 도메인 전이 학습
자기지도 기반 이상 탐지
음향 기반 비가시 복원
NLOS 윤곽 복원
에코 간섭 완화
센서 기반 시각화
음향 신호 분류
의료·감지 통합 분석 파이프라인