PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.11287v1cs.CV

포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크: 휴먼-인-더-루프 데이터 어노테이션, 비전 파운데이션 모델 개발, 다기관 평가 및 임상 검증

A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation

전산화 단층촬영(CT)으로부터 심장 구조물을 포괄적으로 정량화하는 작업은 데이터 가용성이 아닌 측정의 확장성에 의해 제한되어 있어, 임상 현장에서의 일상적 활용이 비현실적이다. 본 연구에서는 휴먼-인-더-루프 어노테이션 파이프라인, 심장 CT 증강 기법, 그리고 60,000개의 레이블 없는 심장 CT 스캔으로 사전학습된 자기지도(self-supervised) 파운데이션 모델을 결합한 포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크를 제시한다. 이 방법을 통해 현재까지 구축된 것 중 가장 크고 포괄적인 전문가 어노테이션 심장 CT 분할 데이터셋을 구성하였으며, 총 1,598개 케이스와 14가지 심장 구조물로 이루어져 있다(학습용 1,000개, 외부 테스트 세트 598개). 다섯 개의 외부 데이터셋에서 본 프레임워크는 기존 오픈소스 도구보다 더 정확하고 포괄적으로 모든 구조물을 분할하였다. 자기지도 사전학습은 레이블링 효율성을 향상시켰으며, 저데이터 환경에서의 외부 평가에서 가장 두드러진 성능 향상이 관찰되었다. 합성곱, 트랜스포머, 상태 공간 아키텍처에 걸친 벤치마킹에서 유사한 성능이 나타나, 정확도를 결정하는 요인이 아키텍처가 아닌 데이터 품질과 사전학습임을 시사하였다. 본 프레임워크는 집단 수준의 표현형 분석으로 확장되었으며, 분할된 해부 구조는 인구통계학적 변수 이상으로 심실 기능 및 질병 중증도에 관한 기능적으로 유의미한 정보를 담고 있음이 확인되었다. 사람 레이블이 포함된 최대 규모의 데이터셋, 코드, 모델 가중치, CT 증강 라이브러리, 소프트웨어를 공개함으로써, 본 연구는 일상적으로 획득된 CT 스캔으로부터의 기회적 심장 표현형 분석을 위한 재현 가능한 기반을 제공한다.

arXiv:2607.03103v1cs.CV

다중 태스크 의료 이미지 분할을 위한 SNR 적응형 통합 확산 모델

SNR-Adaptive Unified Diffusion for Multi-Task Medical Image Segmentation

임상 심장 영상 파이프라인은 현재 각 데이터셋과 모달리티별로 별도의 모델을 배포하여 중복적인 학습 비용이 발생하고, 해부학적으로 연관된 태스크 간의 지식 공유가 불가능하다. 따라서 반지도 학습(semi-supervised learning), 비지도 도메인 적응(unsupervised domain adaptation), 도메인 일반화(domain generalisation)를 하나의 모델로 통합하는 것은 실질적인 필요 사항이나, 단순한 결합 학습은 근본적인 장벽을 드러낸다: 데이터셋 간 레이블 의미 충돌로 LA Dice 점수가 90.31%에서 83.38%로 하락하고, 복잡도가 불균등한 태스크 간 그래디언트 불균형이 학습 전반에 걸쳐 약한 태스크를 억제한다. 우리는 세 가지 목표 지향적 메커니즘을 통해 이러한 충돌을 해소하는 통합 확산 이미지 분할 프레임워크인 UniT-Diff를 제안한다. 11채널 태스크별 출력 공간이 레이블 범주를 물리적으로 분리하여, 설계 자체에서 태스크 간 그래디언트 부호 반전을 제거한다. SNR 적응형 태스크 컨디셔닝(SATC)은 현재 확산 타임스텝의 로그 신호 대 잡음비로 태스크 토큰을 스케일링하여, 거친 노이즈 제거 단계에서 도메인 특화 바이어스를 억제하고 신호가 명확해짐에 따라 완전한 태스크 가이던스를 복원한다. 태스크 유형 인식 조건부 드롭아웃(TTACD)은 도메인 일반화 입력에 대해 태스크 토큰을 영구적으로 제거하여, 소스 벤더 통계보다 데이터셋 간 심장 해부학 정보를 활용하는 공유 중립 경로를 통해 라우팅한다. 단일 매개변수 세트로, UniT-Diff는 세 가지 벤치마크 모두에서 독립적으로 학습된 태스크별 기준 모델을 동시에 능가한다: LA에서 +0.87%, MMWHS에서 +1.77%, MNMS에서 +0.88%.