의료 영상 분할 성능 향상을 위한 제어 가능한 의료 영상 주석 Diffusion 모델

국문 초록 (Abstract)

의료 영상 분할은 인공지능을 활용한 의료 영상 분석에서 가장 대표적인 작업으로, 컴퓨터 보조 진단에서 중요한 역할을 하며 학습 데이터의 품질에 크게 의존한다. 그러나 의학 데이터와 관련된 엄격한 개인 정보 보호 규제로 인해 충분한 데이터 확보에는 제약이 따른다. 이 문제를 완화하기 위해 데이터 증강에 관한 연구가 큰 주목을 받고 있다. 의료 영상 분할 작업에는 의료 영상과 이를 표시한 주석 영상으로 구성된 쌍 기반 데이터셋이 필요하다. 주석 영상은 흔히 마스크 영상이라고도 하며, 의료 영상 내 병변 영역과 방사선학적 정보 등을 이진 구조로 나타낸다. 따라서 두 영상 유형 모두에 데이터 증강을 적용하는 것이 필수적이다. 본 연구는 새로운 마스크를 제어하며 생성할 수 있는 제어 가능한 의료 영상 주석 diffusion 모델을 제안한다. 마스크의 이진 구조를 활용해 마스크의 크기, 위치, 개수에 해당하는 semantic 정보를 추출하고, 이를 회귀 모델을 통해 조건부 diffusion 모델에 다중 조건 입력으로 적용하여 해당하는 마스크를 생성하게 학습한다. 또한 대규모 데이터 생성을 위해 semantic 정보 간의 상관관계를 분석하는 기법을 고안하였다. 제안된 모델의 생성 능력은 실제 데이터셋과 비교하여 평가되었으며, 새로운 semantic 정보에 기반해 새로운 마스크를 생성하는 모델의 능력이 평가되었다. 더 나아가 생성된 데이터를 활용해 데이터를 증강하고 이를 의료 분할 작업에 적용하여, 증강 유무에 따른 성능을 비교함으로써 모델의 실용성이 검증되었다. 이는 본 연구가 의료 분야의 다양한 영역에 적용될 잠재력을 지님을 증명한다.

다국어 초록 (Multilingual Abstract)

Medical image segmentation is a key component of computer-aided diagnosis but is highly dependent on the quality of the training data. However, acquiring adequate data is often challenging due to strict medical privacy regulations, leading to increased interest in generative data augmentation. A segmentation model requires paired datasets comprising medical images and corresponding segmentation annotations that delineate lesion regions, making it essential to augment both image types. The proposed method introduces a CMDM that extracts semantic information such as mask size, location, and count from the annotation image and applies it as a condition to a diffusion model through a regression model to generate new masks. The model enables controllable mask generation based on input semantic conditions, and a correlation-based analysis method was introduced to enable generative data augmentation. The generative performance of the proposed model was evaluated using the training datasets, and its capability to produce new masks was also assessed. In addition, the effectiveness of the generated masks was demonstrated by improved segmentation performance when the segmentation model was trained with data augmented by new masks generated using CMDM.

목차 (Table of Contents)

• 그림목차 ⅲ
• 표목차 ⅳ
• 국문초록 ⅴ
• 제 1 장 서론 1
• 제 2 장 관련 연구 4
• 제 3 장 방법론 6
• 3.1 전체 방법론 6
• 3.2 Semantic 정보 추출 7
• 3.3 의료 영상 주석 생성 모델 8
• 3.3.1 Diffusion 프로세스 8
• 3.3.2 생성 모델 구조 10
• 3.4 Semantic 정보 간 상관관계 분석 11
• 제 4 장 실험 13
• 4.1. 데이터 13
• 4.2 평가 방법 13
• 4.3 구현 세부 사항 16
• 제 5 장 결과 17
• 5.1. 생성 능력 평가 17
• 5.2 새로운 마스크 생성 능력 평가 19
• 5.3 증강용 마스크 생성 21
• 5.4 증강된 데이터셋을 의료 분할에 적용한 결과 23
• 제 6 장 논의 26
• 제 7 장 결론 27
• 참고문헌 28
• Abstract 33