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 ...

http://dx.doi.org/10.31916/sjmi2023-01-03 서론: 뇌종양 진단의 패러다임을 바꾸는 인공지능(AI) 전 세계적으로 수많은 사람들의 생명을 위협하는 뇌종양은 조기 발견과 정확한 분류가 환자의 생존율을 높이는 데 결정적인 역할을 합니다.  전통적인 뇌종양 진단 방법은 생검(biopsy)이나 요추 천자와 같은 침습적인 절차를 포함하여 환자에게 부담을 주고 시간이 많이 소요되는 단점이 있었습니다.  그러나 최근 몇 년 사이, 인공지능(AI), 특히 딥러닝(Deep Learning) 기술이 의료 영상 분석 분야에 도입되면서 뇌종양 진단에 혁신적인 변화의 바람이 불고 있습니다. 컴퓨터 비전 기술의 핵심인 컨볼루션 신경망(Convolutional Neural Network, CNN)은 인간의 시각적 인식 능력을 모방하여 이미지 속의 복잡한 패턴과 특징을 놀라운 정확도로 식별해냅니다.  본 컬럼에서는 CNN 기술, 그중에서도 특히 AlexNet 모델을 기반으로 한 전이 학습(Transfer Learning) 기법을 활용하여 뇌 자기공명영상(MRI) 이미지를 분석하고, 이를 통해 다양한 뇌종양을 자동으로 분류하는 최신 연구 사례를 세계적인 전문가 수준의 깊이로 상세하게 분석하고 그 미래를 조망하고자 합니다.  이 글을 통해 의료 전문가뿐만 아니라, 뇌종양 진단 기술과 인공지능의 접점에 관심 있는 모든 분들께 유익한 정보를 제공할 것입니다. 1. 핵심 기술: 컨볼루션 신경망(CNN)과 전이 학습(Transfer Learning) 뇌종양 분류 모델을 이해하기 위해서는 먼저 그 기반이 되는 핵심 기술인 CNN과 전이 학습에 대한 이해가 필요합니다. 컨볼루션 신경망(CNN)이란? CNN은 이미지, 영상, 음성 등과 같은 데이터를 처리하는 데 특화된 딥러닝 모델입니다.  인간의 뇌가 시각 정보를 처리하는 방식을 모방하여, 입력된 이미지에서 특징(feature)을 자동으로 추출하고 이를 기반으로 객체를 분류합니...

  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...