저데이터 의료 영상 분할 위한 생성 AI

의료 영상의 의미론적 분할은 질병 진단 및 치료 계획 수립에 필수적입니다. 딥러닝은 이 작업을 효과적으로 자동화하지만, 주석이 달린 분할 마스크의 희소성으로 인해 초저데이터 환경에서는 어려움을 겪습니다. 본 연구는 이러한 문제를 해결하기 위해 고품질 영상-마스크 쌍을 보조 훈련 데이터로 생성하는 생성 딥러닝 프레임워크를 제안합니다. 기존 생성 모델이 데이터 생성과 모델 훈련을 분리하는 것과 달리, 본 프레임워크는 다단계 최적화를 통해 종단간 데이터 생성을 수행합니다. 이는 분할 성능이 생성 과정을 유도하여, 분할 결과 개선에 최적화된 데이터를 생산하도록 합니다. 제안된 방법은 11가지 의료 영상 분할 작업과 19개 데이터셋에 걸쳐 강력한 일반화 성능을 입증했습니다. 이는 다양한 질병, 장기 및 모달리티를 포괄하며, 동일 도메인 및 외부 도메인 설정 모두에서 성능을 10~20% (절대값) 향상시키고, 기존 접근 방식보다 8~20배 적은 훈련 데이터를 요구합니다. 이러한 결과는 데이터가 제한적인 의료 영상 시나리오에서 딥러닝의 실현 가능성과 비용 효율성을 크게 높여줍니다.