흉부 CT에서 딥러닝 기반 폐 실질 자동 분할과 질환 범위 정량 연구

Deep Neural Network–Based Automated Lung Segmentation and Quantification of Disease Extent on Chest CT

연구 내용

비조영 흉부 CT에서 다양한 폐 실질 병변을 포함한 환경에서 딥러닝으로 폐 실질을 자동 분할하고 질환 범위를 정량화하는 연구

비조영 흉부 CT에서 폐 실질 경계를 자동으로 구분하기 위해 2D U-Net과 3D U-Net 계열의 딥러닝 모델을 적용합니다. 광범위 병변 환경(예: ILD, 폐기종, 감염, 종양 등)에서도 학습·검증되도록 내부 분할 성능과 외부 검증을 함께 수행하여 일반화 가능성을 확인합니다. 또한 흉부 영상에서 ANCA-associated vasculitis의 분류 기준과 병변 양상을 체계적으로 정리해, 자동 분할 결과가 다양한 임상 맥락에서 어떤 의미로 해석될 수 있는지 연결하는 데 활용합니다.

관련 프로젝트

0건

연구 흐름

초기에는 폐 실질 분할을 위한 U-Net 기반 접근을 구성하고, 다양한 병리 조건을 포함한 비조영 흉부 CT 데이터로 학습 및 내부 검증을 수행했습니다. 이후 외부 데이터셋을 활용한 재현성 확인을 통해 병변 분포가 크게 달라지는 조건에서도 경계 분할 성능을 유지하는 방향으로 연구를 확장했습니다. 최근에는 흉부 영상 기반 질환 분류 기준과 병변 양상에 대한 문헌 검토를 병행하여, 분할 결과를 임상 판정 체계와 연계하는 관점을 강화하고 있습니다.

활용 가능성

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

폐 실질 분할 자동화 파이프라인
ILD 및 폐기종 정량 분석 전처리
흉부 CT 기반 병변 영역 추정
다질환 통합 분할 모델 확장
외부 검증용 모델 평가 체계
영상 기반 분류 기준 매핑
다기관 학습 데이터 큐레이션
치료 반응 모니터링용 영역 추적
질환 예후 분석을 위한 ROI 생성
자동 보고서 생성용 정량 지표 도출