↑↑ 왼쪽부터 DGIST 로봇및기계전자공학과 박상현 교수와 남시우 박사과정생, 안시온 박사과정생, 펜실베이니아대학교 Li Shen 교수. DGIST 제공

DGIST로봇및기계전자공학과 박상현 교수팀이 'MICCAI 2024(27th International Conference on Medical Image Computing and Computer Assisted Intervention)'에 총 3편의 논문을 발표한다.

'MICCAI'는 의료영상 분야에서 세계 최고 수준의 학회로, 올해는 최첨단 이미지 컴퓨팅 및 머신러닝 기법, 컴퓨터 보조 중재, 다양한 임상 문제에 대한 기초적이고 혁신적인 연구 주제를 다룰 예정이다. 박상현 교수팀은 경쟁이 치열한 MICCAI 학회에 지난 2019년부터 꾸준히 논문을 발표해왔으며, 올해에도 다수의 논문을 발표하면서 국내외 연구 커뮤니티에서 주목받을 만한 연구 성과를 내고 있다.

박상현 교수팀은 이번 학회에서 총 3편의 정규 논문을 발표한다. 첫 번째 논문은 대형 병리 영상과 질환 레이블을 활용해 이상 병변을 탐지하고 분류하는 '다중인스턴스학습(MIL)' 기술을 주제로 한다. 이 연구는 시각 언어 파운데이션 모델을 사용해 중요한 인스턴스를 효율적으로 찾는 기법을 제안하며, 텍스트 지시 명령어를 추가해 성능의 불안정성을 개선했다. 또한 적은 데이터로도 높은 성능을 발휘하는 어댑터(adaptor)를 도입해 병리 영상 분석에 적합한 특징을 추출할 수 있도록 설계했다. 이 기법은 두 가지 병리 영상을 활용한 암 진단 모델에서 뛰어난 성능을 기록했으며, 다양한 병원에서 수집된 데이터로 안정적인 암 진단을 수행하고, 텍스트와 관련된 중요한 부위를 시각화해 임상 적용 가능성을 입증했다.

두 번째 논문에서는 포인트 레이블만으로 병리 영상에서 세포핵을 자동으로 영역화하는 기법을 제안한다. 기존 기법들은 많은 세포를 일일이 영역화해야 하므로 데이터 구축이 어려웠으나, 이번 연구에서는 Segment Anything 모델과 포인트 레이블을 활용해 임시 학습 레이블을 생성해 이 문제를 해결했다. 파운데이션 모델과 병리 영상 간 도메인 차이를 줄이기 위해 이미지 인코더에 어댑터(adaptor)를 추가해 파인튜닝을 진행했으며, 이 방식은 모델의 일반화 성능을 유지하면서도 세포핵 영역화를 성공적으로 수행했다. 또한 기존 기법과 비교해 높은 성능을 기록했으며, 퓨샷(few-shot) 및 크로스 도메인(cross-domain) 상황에서도 우수한 성능을 보였다.

세 번째 논문은 펜실베이니아 대학 연구진들과의 공동연구를 통해 개발한 기술로, 휴지기 상태의 뇌파 신호를 활용해 뇌파 분류 인공지능 모델을 새로운 피험자에게 적응시키는 방법을 제안한다. 기존 모델들은 사람 간 변동성으로 인해 새로운 피험자에게 적용할 때 성능이 저하되는 문제가 있었으나, 연구팀은 휴지기 상태 신호로 과업 신호를 생성하고, 세 가지 손실함수를 사용해 모델을 적응시켰다. 이 방법은 별도로 과업 신호를 수집할 필요 없이 새로운 피험자에게 쉽게 모델을 적용할 수 있게 했으며, 세 가지 데이터셋에서 검증한 결과 평균 8.53%의 분류 정확도 향상을 달성했다.

박상현 교수는 “세계 최고 수준의 의료영상 학회인 'MICCAI'에서 3편의 논문을 발표하게 되어 기쁘다”며, “이번에 발표한 연구들은 최근 제안된 파운데이션 모델들을 의료분야 여러 하위문제에 잘 적용할 수 있는 방안을 제시한다. 앞으로도 다양한 질환과 환경에서 정확하게 동작할 수 있는 기술을 개발하고, 인공지능 모델의 일반화 성능을 더욱 강화하는 연구를 지속할 계획이다”고 밝혔다.