Medical Image Diagnosis and Manipulation Detection
연구 내용
망막안저영상의 구조적 특징과 Attention Mechanism을 학습하는 Deep Learning 모델을 개발하여 안질환을 분류하고 의료영상의 인위적 변조를 검출하는 연구
의료영상의 임상 활용이 확대되면서 영상 판독의 자동화와 데이터 신뢰성 검증을 동시에 확보하는 기술이 필요합니다. 본 분야에서는 망막안저영상에서 혈관, 시신경유두 등 주요 해부학적 구조를 분할하고, Hough Circle Transform과 CNN 기반 다중 입력 모델을 결합하여 녹내장과 안저 병변을 분류합니다. 또한 U-Net과 CycleGAN으로 생성된 변조 영상 및 실제 영상을 학습 데이터로 구성하여 의료데이터 조작 여부를 판별합니다. Attention Mechanism을 통해 진단에 유효한 구조적 특징을 강조하고, 임상의 판독 결과와 비교하여 실제 진료 환경에서의 적용 가능성을 검토하는 방법론을 보유하고 있습니다. 이는 진단 보조뿐 아니라 의료영상의 무결성 관리와 임상 의사결정 지원을 함께 다루는 차별성을 가집니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
2022년에는 U-Net과 생성 모델을 활용하여 망막안저영상의 변조 데이터를 구성하고, 의료진 판독과 비교하는 변조 검출 방법을 정립했습니다. 2024년에는 혈관과 시신경유두를 분리한 뒤 Attention Mechanism 기반 CNN 다중 입력 구조로 녹내장 분류를 수행하여 제한된 데이터에서도 구조 정보를 활용하는 진단 방향으로 확장했습니다. 2025년에는 실제 영상과 변조 영상의 구분을 위한 CNN 기반 모델을 고도화하고 임상 환경 적용 가능성을 검토했습니다. 연구는 영상 생성·변조 검출에서 질환 분류와 임상 검증으로 심화되는 흐름을 보입니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Attention Mechanism-Based Glaucoma Classification Model Using Retinal Fundus Images
A Study on the Development of Deepfake-Based Deep Learning Algorithm for the Detection of Medical Data Manipulation
Evaluating the Efficacy of Deep Learning Models for Identifying Manipulated Medical Fundus Images