자기지도·대조학습 기반 생체영상 복원 및 인터랙티브 시각화

Self-Supervised and Contrastive Learning for Biomedical Image Denoising and Interactive Visualization

연구 내용

잡음 쌍 데이터 없이도 학습 가능한 대조/자기지도 기반 복원 모델과, 분석 결과를 사람이 검증·수정하도록 돕는 시각화 워크플로를 통합하는 연구

본 연구는 라벨·정답 쌍 없이도 자기지도 신호를 활용해 영상 복원과 분석 효율을 높이는 방법론을 결합합니다. Noise2Kernel에서는 무작위 마스킹 없이 커널 구조의 불변성을 만족하도록 dilated convolutional kernel architecture를 구성하고, 잡음 통계가 일반 모델과 달라도 견디도록 adaptive self-supervision loss를 설계합니다. MitoVis와 관련 도구들은 대조 기반 활성학습으로 사전학습 모델의 적용 편차를 줄이고, 사용자가 추론 오류를 빠르게 교정하도록 시각 가이드를 제공합니다. 추가로 차원 선택과 몰입형 워크플로 작성 지원을 통해 분석 과정을 자동화·반자동화합니다.

관련 프로젝트

5건

연구 흐름

2022년에는 Noise2Kernel을 통해 쌍이 없는 조건에서 블라인드 디노이징을 수행하도록 자기지도 손실과 커널 기반 학습 구조를 정립했습니다. 같은 시기 GPU 병렬성 최적화와 같은 계산 효율 이슈도 함께 다루며 영상 분석의 실행 가능성을 높였습니다. 2023년에는 MitoVis로 신경 미토콘드리아 분석 워크플로를 end-to-end 데이터 처리와 대조 기반 활성학습으로 확장하여, 추론 변동과 오류 교정의 부담을 낮추는 방향으로 진화하였습니다. 2025년에는 차원 선택을 돕는 hull heatmap 시각화와, XR/실시간 센서까지 포함하는 시각적 워크플로 관리 시스템으로 확장하며 사용자 중심 분석 자동화를 강화하였습니다.

활용 가능성

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

블라인드 디노이징 모듈
자기지도 기반 영상 복원
활성학습 기반 미세튜닝
인터랙티브 오류 교정 도구
차원선택 시각화
몰입형 분석용 웹 워크플로
실시간 센서 데이터 통합
생체영상 분석 파이프라인 자동화
분석 품질 점검 인터페이스
분석 소요시간 단축 시스템