이 연구 주제는 CT, MRI, PET, 초음파, 흉부 X선 등 다양한 의료영상으로부터 질환과 생체 구조의 의미 있는 정보를 정량적으로 추출하는 기술에 초점을 둔다. 연구실은 영상 정합, 분할, 복원, 특징 추출, 시계열 변화 분석 등 의료영상처리의 핵심 문제를 다루며, 실제 임상 데이터에서 발생하는 잡음, 해상도 차이, 장비별 편차, 환자 간 변이를 극복하는 방법론을 연구한다. 이를 통해 의료진이 육안으로 확인하기 어려운 미세 병변과 조직 특성을 보다 정밀하게 분석할 수 있는 기반을 마련한다. 특히 뇌혈관 영상 모델링, 복부 CT 기반 베이지안 분할, 폐 CT 분할, 전립선 MRI 분할, 망막 영상 분석, 유방 병변 분할 등 다양한 장기와 질환으로 응용 범위를 확장하고 있다. 최근 발표와 프로젝트를 보면 영상의 저주파·고주파 성분에 따른 도메인 시프트 민감도 분석, 다해상도 U-Net, Vision Transformer, UNETR++ 등 최신 딥러닝 구조를 활용하여 분할 정확도와 일반화 성능을 개선하려는 시도가 두드러진다. 또한 인간 시각과 기계 시각을 모두 고려한 비주얼 부호화 및 처리 연구도 수행하여 영상 저장·전송 효율과 분석 성능을 함께 고려하는 방향으로 연구를 확장하고 있다. 이러한 연구는 단순한 영상 처리 기술 개발을 넘어 임상 의사결정 지원과 연결된다는 점에서 의미가 크다. 정량적 영상 분석은 병변의 위치, 크기, 경계, 성장 속도, 조직 이질성 등을 체계적으로 제시할 수 있어 진단의 객관성을 높이고 추적 관찰의 일관성을 확보하는 데 기여한다. 나아가 개방형 플랫폼, 표준화 알고리즘, 사용자 친화적 인터페이스 구축으로 이어질 경우 병원 현장에서 실제로 활용 가능한 의료 AI 생태계 형성에도 중요한 기반이 된다.

연구실의 핵심 축 가운데 하나는 기능적 MRI와 구조적 MRI, PET, 뇌혈관 영상 등 멀티모달 뇌영상을 이용하여 인간의 뇌 기능과 질환 진행 메커니즘을 이해하는 것이다. 알츠하이머병, 경도인지장애, 파킨슨병, 불면증, ADHD, 비만 관련 인지 기능, 식행동 유형 등 다양한 신경정신·신경퇴행성 현상을 대상으로, 뇌 네트워크와 기능적 연결성의 변화를 정량화하고 개인 수준의 특성을 규명하는 연구가 지속적으로 수행되고 있다. 최근에는 정상 노화 기준선으로부터의 이탈을 추적하는 규범모형 접근을 통해 알츠하이머병 진행 과정에서의 피질-피질하 연결성 변화를 장기적으로 분석하는 등 정밀 신경영상 연구를 선도하고 있다. 또한 아동기에서 성인기까지의 발달 과정에서 나타나는 시공간적 뇌 전파 패턴을 분석하여 인지 발달과 뇌 동역학의 관계를 규명하는 연구도 수행하고 있다. 이는 정적인 뇌 연결성 분석을 넘어서 시간 지연과 전파 방향성까지 고려하는 접근으로, 뇌 기능의 발달적 계층성과 네트워크 성숙을 설명하는 데 중요한 단서를 제공한다. 연구실은 기능적 연결성, 시공간 전파, 개별 수준 파셀레이션, 멀티모달 통합, 그래프 기반 어텐션 모델 등 고도화된 계산 방법을 접목하여 뇌과학과 인공지능의 융합을 실현하고 있다. 이 연구는 뇌질환의 조기 진단, 예후 예측, 환자군 세분화, 개인 맞춤형 치료 전략 수립에 직접적으로 기여할 수 있다. 특히 종단 데이터와 개인별 편차를 함께 고려하는 분석은 기존 집단 평균 중심 연구의 한계를 보완하며, 환자별 질환 진행 속도와 임상 증상의 연관성을 정밀하게 해석할 수 있게 한다. 장기적으로는 뇌영상 기반 바이오마커 개발, 디지털 신경진단 플랫폼, 임상 신경과학의 정밀의료화에 중요한 연구 기반이 될 수 있다.

이 연구 주제는 의료영상에서 추출한 정량적 특징을 바탕으로 질환의 진단, 분류, 예후 예측을 수행하는 레디오믹스와 딥러닝 기반 멀티모달 인공지능을 결합하는 데 초점을 둔다. 연구실은 종양, 유방 종괴, 뇌종양, 폐질환, 전립선 질환, 뇌혈관 병변 등 다양한 문제를 대상으로 영상 자체의 표현과 레디오믹스 특징을 함께 활용하는 분석 프레임워크를 개발하고 있다. 단순한 영상 분류를 넘어, 영상의 형태·질감·이질성 정보를 구조화하여 임상적 해석 가능성과 예측 성능을 동시에 확보하려는 방향이 특징적이다. 최근 연구 흐름에서는 MRI, PET, 유전자 데이터, 임상 변수, 혈압 정보 등 서로 다른 출처의 데이터를 통합하는 멀티모달 학습이 활발하다. 교모세포종 생존 예측, PET와 유전자 데이터를 통한 치매 진단, 유방 종괴의 악성·양성 분류, 영상 유전학 기반 파킨슨병 연구 등은 이러한 융합 접근의 대표적인 예다. 아울러 프롬프트 기반 통합 분석, 그래프 신경망, 트랜스포머, 생성모델, 메타매칭 등 최신 AI 기법을 도입하여 데이터 부족, 모달 결손, 도메인 차이 같은 실제 의료 데이터의 한계를 해결하려는 노력이 확인된다. 레디오믹스와 멀티모달 AI 연구의 궁극적 가치는 임상적으로 의미 있는 예측 모델을 만드는 데 있다. 단일 영상만으로 설명하기 어려운 질환의 복합적 특성을 다양한 데이터 관점에서 통합하면, 조기 발견과 환자 맞춤형 치료계획 수립에 더 높은 가능성을 제공할 수 있다. 또한 해석 가능한 정량 특징과 고성능 딥러닝 표현을 함께 활용함으로써, 의료진이 신뢰할 수 있는 의사결정 지원 시스템으로 발전할 잠재력이 크다.

연구실은 의료 AI의 정확도 향상뿐 아니라 실제 의료 환경에서의 안전한 활용을 위해 프라이버시 보장형 연산과 임상 적용 플랫폼 연구도 함께 추진하고 있다. 대표적으로 동형암호 기반 의료용 AI 연산 가속기 연구는 민감한 환자 데이터를 복호화하지 않은 상태에서 분석할 수 있도록 하여, 개인정보 보호와 AI 활용을 동시에 달성하려는 시도다. 이는 의료기관 간 데이터 공유가 제한적인 현실에서 매우 중요한 기술적 방향이며, 보안성과 실용성을 모두 고려한 HW/SW 통합 설계를 지향한다. 관련 연구는 서버 측 신경망 연산 가속, 클라이언트 측 암·복호 처리, 보안 회로, 시스템온칩 설계 등 컴퓨팅 시스템 수준까지 확장된다. 동시에 잠재공간에서의 암호화 추론을 이용한 흉부 X선 분류, 의료 AI 플랫폼 구축, 가상 의사 초음파 진단 시스템과 같은 응용 연구를 통해 기술의 실사용 가능성을 높이고 있다. 이러한 접근은 의료영상 분석 알고리즘을 단독 모델에 머무르게 하지 않고, 보안·전송·인터페이스·원격진단까지 포함한 전체 서비스 체계로 확장한다는 점에서 차별성이 있다. 향후 이 연구는 병원 내외부의 협업 진료, 원격의료, 연합학습, 보안 데이터 거래 등과 결합되며 더욱 중요해질 가능성이 높다. 환자 정보 보호가 강화되는 환경에서 프라이버시 보장형 의료 AI는 규제 친화적이면서도 확장 가능한 디지털 헬스케어 인프라의 핵심이 될 수 있다. 연구실의 보안 AI와 임상 플랫폼 연구는 의료 현장에 실제 도입 가능한 신뢰형 인공지능 시스템을 구현하는 데 기여할 것으로 기대된다.