설명가능 세미-슈퍼바이즈드 의료 영상 진단 및 분할

Explainable Semi-supervised Medical Image Diagnosis and Segmentation

연구 내용

라벨 부족 상황에서 대조학습 기반 의사라벨링과 GradCAM 설명을 결합해 의료 영상을 진단·분할하는 연구

의료 영상 진단에서 라벨 데이터 부족과 불균형 문제는 모델 성능과 일반화에 직접적인 영향을 줍니다. 연구에서는 class prototype 및 앙상블 기반 의사라벨 생성으로 라벨이 없는 데이터의 활용성을 높이고, 신뢰도 기준으로 제외되던 샘플까지 contrastive learning을 통해 학습 과정에 통합합니다. 또한 GradCAM을 도입해 예측 근거를 시각화하는 explainable AI를 수행합니다. 더 나아가 CT 기반 췌장 종양 분할에서는 coarse-to-fine 2단계 구조와 경계 정밀화 손실을 적용해 소병변의 불완전 분할을 줄이는 방향으로 확장합니다.

관련 프로젝트

0건

연구 흐름

2025년에는 두 갈래의 의료 영상 과제를 중심으로 연구를 수행했습니다. 첫째, 당뇨망막병증 진단에서는 semi-supervised 학습에서 pseudo-label 신뢰성 문제를 similarity 및 contrastive learning으로 완화하고, GradCAM을 통해 예측 설명 가능성을 확보했습니다. 둘째, 췌장 종양 분할에서는 coarse-to-fine 듀얼 스테이지 프레임워크로 후보 영역을 먼저 구성한 뒤 interactive enhancement로 종양 인지 가중치를 반영하고, 경계 품질을 향상시키는 class-aware boundary-refinement loss로 소병변 분할을 강화했습니다. 두 연구 모두 표현학습과 설명·경계 정밀화에 초점을 둡니다.

활용 가능성

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

당뇨망막병증 조기 스크리닝 보조
라벨 부족 질병 진단 학습 전략
GradCAM 기반 진단 근거 시각화
CT 기반 췌장 종양 자동 분할
소병변 경계 정밀화
불균형 데이터 학습 안정화
신뢰도 낮은 샘플 활용 학습
의료 AI 임상 검증용 리포팅
다기관 데이터 일반화 기법 설계
의료 영상 모델 경량화 연구 기반