의료 영상 AI 기반 병변 분류와 저선량 CT/병리 복원 및 진단보조

Medical Image AI for Lesion Classification and Low-Dose CT/Pathology Analysis

연구 내용

다기관 도메인 차이를 고려해 CT와 병리 영상에서 병변 기반 분류·그레이딩·세분화를 수행하고, 저선량 영상의 노이즈를 제거하는 진단보조 연구

다상(multi-phase) CT에서는 병변 중심 특징을 추출해 신장 종양 아형을 분류하는 모델을 구성하고, 저선량 spiral CT에서는 다중 슬라이스 중복성과 볼륨 재구성 흐름을 활용해 노이즈를 줄이면서 공간 해상도 저하를 완화하는 2단계 복원 구조를 설계합니다. 병리 영상에서는 nuclei-level 특징을 그래프 구조로 집계해 patch-level RCC 그레이딩 성능과 기관 간 일반화를 동시에 목표로 합니다. 또한 segmentation 기반 분류에서 역방향 domain adaptation 전략으로 도메인 편향을 완화하는 방향의 연구를 수행합니다.

관련 프로젝트

5건

연구 흐름

2023년에는 핵 분할 기반 병리 분류에서 도메인 차이를 완화하기 위한 reversed domain adaptation 방향의 연구가 진행되었습니다. 이후 2024년에는 저선량 CT에서 실제 스캔 기하에 맞춘 cross-domain denoising과, 병리 영상의 nuclei feature를 그래프로 집계하는 patch-level RCC 그레이딩 프레임워크를 함께 제안하며 진단 성능의 실증을 강화했습니다. 2024년 후반에는 다상 CT에서 병변 인지 기반 분류로 임상 태스크를 확장했고, 연구 운영은 2021년부터 시작된 디지털 병리 소프트웨어 개발과 2024년부터의 의료 이미지 진단·수술 지원 통합 솔루션 과제로 연계되어 지속되었습니다.

활용 가능성

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

다상 CT 기반 종양 아형 분류
저선량 CT 노이즈 저감 복원
기관 간 일반화 병리 분류
핵 기반 patch 그레이딩
nuclei segmentation 기반 진단보조
병변 중심 컴퓨터비전 모델
임상의 의사결정 지원
수술 지원용 영상 분석
임상 워크플로우 연계 소프트웨어
도메인 적응형 의료 영상 AI