MediWave

https://dx.doi.org/10.31916/sjmi2023-01-01 서론 전 세계적으로 COVID-19 팬데믹은 의료 영상 분석의 자동화와 인공지능(AI) 기술의 필요성을 가속화하였다.  특히 흉부 X선(CXR) 이미지는 폐 질환을 진단하는 데 핵심적인 영상 자료로 사용되며, 최근에는 딥러닝(Deep Learning) 기반 합성곱 신경망(Convolutional Neural Network, CNN)이 의사들의 보조 진단 도구로 주목받고 있다.  본 연구에서는 AlexNet 기반 전이학습(Transfer Learning)을 적용하여 COVIDGR-1.0 데이터셋의 흉부 X선 이미지를 정상(Normal), 경증(Mild), 중등도(Moderate), 중증(Severe)으로 분류하였다. 연구 방법 1. 데이터셋 COVIDGR-1.0 Dataset : 스페인 Hospital Universitario San Cecilio와 협력하여 익명화된 784장의 흉부 X선(CXR) 이미지로 구축됨 . 데이터는 70% 훈련(training), 30% 검증(validation) 세트로 분할되었다 . 2. 전이학습 모델: AlexNet Figure 1. 전이학습 과정 : AlexNet을 기반으로 사전 학습된 가중치를 활용하고, 최종 분류 계층을 COVID-19 중증도 단계에 맞게 수정하였다 . 전이학습을 통해 훈련 시간을 단축하고 소규모 의료 데이터셋에서도 높은 정확도를 달성할 수 있었다. 3. 실험 절차 데이터셋 로딩 및 전처리: RGB → Gray scale 변환, 정규화(normalization) 수행 . Figure 2. 실험 절차 : 데이터셋 불러오기, 라벨링, 학습-검증 데이터 분할, 모델 학습 및 분류 단계로 구성됨. Figure3. 샘플 이미지 : 16장의 X-ray 이미지가 무작위로 배열되어 시각화됨 결과 및 분석 1. 분류 결과 Figure 4. 분류 이미지 : 네 가지 질환 단계별 예측 ...

  AI 기반 전이학습 모델을 활용한 만성부비동염 수술 후 예후 분석 doi: 10.1186/s12938-025-01428-y 서론 만성부비동염 (Chronic Rhinosinusitis, CRS) 은 전 세계적으로 ENT 진료에서 매우 흔한 질환으로 , 중국에서는 약 8% 의 유병률을 보여 1 억 명 이상이 영향을 받고 있습니다 . 약물치료에 반응하지 않는 환자들은 기능적 내시경 부비동 수술 (Endoscopic Sinus Surgery, ESS) 을 받게 되며 , 수술 후 3~6 개월 동안의 관리가 장기 예후에 매우 중요합니다 . 그러나 수술 후 내시경 평가의 높은 주관성과 환자의 낮은 추적관리 순응도는 예후 평가의 일관성과 질 높은 질병 관리를 어렵게 만듭니다 . 이에 본 연구에서는 사전학습된 대형 비전 모델 (pre-trained foundation models) 을 기반으로 전이학습을 적용한 AI 모델을 통해 수술 후 내시경 영상에서 환자의 상태를 정량적으로 분류하는 체계를 개발하고자 하였습니다 . 연구 목적 및 방법 요약 본 연구는 Fudan University 및 Zhongshan Hospital 의 2 개 기관에서 다기관 후향적 방식으로 시행되었습니다 . 총 2,000 장의 수술 후 내시경 영상이 수집되어 전문가 2 인의 판독을 거쳐 " 용종 (polyp)", " 부종 (edema)", " 정상 (smooth)" 세 가지 상태로 분류되었습니다 . 전이학습에 사용된 모델은 다음과 같습니다 : ·          CLIP : 일반 비전 데이터셋 기반 ·          MedSAM : 다양한 의료 이미지 기반 ·          Endo-FM : 내시경 전용 데이터셋 기반 기본 네트워...