턱 낭종 분할을 위한 MFA-Net 인공지능 모델 개발

주장의료 영상 분할은 질환의 조기 진단과 치료 계획 수립에 핵심적인 역할을 합니다. 하지만 턱 낭종은 경계가 모호하고 영상 대조도가 낮아 기존 기술로는 정확한 분할이 어렵습니다.

주장연구진은 이러한 한계를 극복하기 위해 다층 특징 집계 네트워크인 MFA-Net(Multi-layer Feature Aggregation Network)을 새롭게 제안했습니다. 이 구조는 수용 영역을 넓히고 식별 가능한 특징을 추출하는 데 최적화되어 있습니다.

팩트MFA-Net은 인코딩 단계에서 3x1과 1x3, 그리고 9x1과 1x9 크기의 합성곱 커널을 사용합니다. 이는 기울기 소실 문제를 방지하고 네트워크 성능 저하를 막기 위한 잔차 모듈 설계 방식입니다.

팩트모델의 마지막 인코더에는 채널-공간 주의 메커니즘을 도입했습니다. 이 기술은 특징 추출 능력과 데이터 표현력을 크게 향상합니다.

팩트인접한 인코더 유닛의 특징 맵을 활용하는 다층 특징 집계 블록도 적용했습니다. 서로 다른 규모의 특징들이 결합하여 전체적인 영상 표현력을 높입니다.

교차검증연구진은 턱 낭종 데이터셋뿐만 아니라 공개된 피부암 진단 데이터셋인 ISIC-2018에서도 성능을 검증했습니다. 다양한 데이터셋 실험은 모델의 범용성과 강건성을 입증합니다.

팩트원본 턱 낭종 데이터셋에서 MFA-Net은 F1 점수 0.9411, IoU(교집합 대 합집합 비율) 0.9444를 기록했습니다. 이는 현재의 최첨단 기술들과 비교했을 때 우수한 수치입니다.

팩트증강된 턱 낭종 데이터셋에서도 F1 점수 0.9228, IoU 0.9280의 높은 성능을 유지했습니다. ISIC-2018 데이터셋에서는 F1 점수 0.8678, IoU 0.8388을 달성했습니다.

교차검증절제 연구를 통해 잔차 구조와 주의 메커니즘, 특징 집계 블록의 기여도를 확인했습니다. 각 구성 요소가 모델의 전체 성능 향상에 필수적임을 증명했습니다.

주장이번 연구는 턱 낭종 영상 분할 분야에서 인공지능 모델의 정확도를 한 단계 높였다는 평가를 받습니다. 향후 실제 임상 현장에서의 활용 가능성도 기대됩니다.

주장MFA-Net의 구조적 효율성은 향후 다른 의료 영상 분석 모델 개발에도 중요한 참고 자료가 됩니다. 복잡한 경계를 가진 병변을 파악하는 데 유용한 도구가 될 것입니다.

출처Zheng, H., Jiang, X. & Xu, X. Multi-layer feature aggregation network with residual module and attention mechanism for jaw cyst image segmentation. Sci Rep (2026). https://doi.org/10.1038/s41598-026-56281-3을 교차 검증했습니다.