Medical Imaging AI Lab Teams 소개
IMSI랩은 매 기수마다 다양한 Medical Imaging AI 프로젝트 팀을 운영하고 있습니다. 각 팀은 실제 의료 데이터를 활용하여 딥러닝 모델을 설계하고, 논문 작성 및 학회 투고까지 목표로 합니다. 이번 글에서는 현재 활동 중인 8개 팀의 연구 주제를 간략히 소개합니다.
SUDAL — 충치 탐지 모델 개발
SUDAL 팀은 치과 방사선 영상(파노라마/Bitewing)에서 충치(Dental Caries)를 자동으로 탐지하는 딥러닝 모델을 개발하고 있습니다. 객체 탐지 및 세그멘테이션 기법을 활용하여 충치의 위치와 심각도를 분류하며, 임상에서 치과의사의 진단을 보조할 수 있는 CAD 시스템 구축을 목표로 합니다.
📄 arXiv: https://arxiv.org/abs/2604.00537
MATHENA: Mamba-based Architectural Tooth Hierarchical Estimator and Holistic Evaluation Network for Anatomy
Dental diagnosis from Orthopantomograms (OPGs) requires coordination of tooth detection, caries segmentation (CarSeg), anomaly detection (AD), and dental developmental staging (DDS). We propose Mamba-based Architectural Tooth Hierarchical Estimator and Hol
arxiv.org
HAEDAL — 충치 탐지 모델 개발
해달팀은 MRI 데이터를 바탕으로 IDH, 1p19q codeletion, WHO grade 를 자동으로 탐지하는 딥러닝 모델을 개발하고 있습니다.
PNI — Multi-phase MRI 기반 신경침습 예측
PNI 팀은 Multi-phase MRI 영상을 기반으로 신경침습(Perineural Invasion, PNI) 여부를 예측하는 딥러닝 모델을 개발합니다. PNI는 암세포가 신경을 따라 침윤하는 현상으로 예후에 중대한 영향을 미치는 병리학적 소견이며, 수술 전 비침습적 예측이 가능해지면 치료 전략 수립에 큰 도움이 됩니다.
📄 arXiv: https://arxiv.org/abs/2603.29449
NeoNet: An End-to-End 3D MRI-Based Deep Learning Framework for Non-Invasive Prediction of Perineural Invasion via Generation-Dri
Minimizing invasive diagnostic procedures to reduce the risk of patient injury and infection is a central goal in medical imaging. And yet, noninvasive diagnosis of perineural invasion (PNI), a critical prognostic factor involving infiltration of tumor cel
arxiv.org
CEUS — 초음파 조영 영상 기반 병변 Localization
CEUS 팀은 Contrast-Enhanced Ultrasound(CEUS, 조영 초음파) 데이터를 활용하여 병변의 위치를 자동으로 검출하는 모델을 연구합니다. CEUS는 조영제를 투여한 후 미세혈관 관류 패턴을 실시간으로 관찰할 수 있는 영상 기법으로, 간·신장 등 장기의 종양 진단에 널리 사용됩니다.
fMRI — 아동 ADHD 조기 진단 모델
fMRI 팀은 기능적 자기공명영상(fMRI) 데이터를 활용하여 아동의 ADHD(주의력결핍 과잉행동장애)를 조기 진단하는 딥러닝 모델을 개발합니다. Resting-state fMRI에서 뇌 영역 간 기능적 연결성(Functional Connectivity)을 분석하여, 정상 아동과 ADHD 아동을 분류하는 것을 목표로 합니다.
📄 arXiv: https://arxiv.org/abs/2603.13329
LUMINA: Laplacian-Unifying Mechanism for Interpretable Neurodevelopmental Analysis via Quad-Stream GCN
Functional Magnetic Resonance Imaging(fMRI) has now become a classic way for measuring brain activity, and recent trend is shifting toward utilizing fMRI brain data for AI-driven diagnosis. Given that the brain functions as not a discrete but interconnecte
arxiv.org
CineFlow — GNN 기반 의료 판독문 모델
CineFlow 팀은 그래프 신경망(GNN)을 활용하여 의료 영상 판독문(Radiology Report)을 생성하거나 분석하는 모델을 연구합니다. 의료 영상과 텍스트 간의 구조적 관계를 그래프로 모델링함으로써, 보다 정확하고 구조화된 판독문 자동 생성을 목표로 합니다.
RUPPELL — 간 TNM Staging 모델
RUPPELL 팀은 간암 환자의 CT/MRI 영상을 기반으로 TNM Staging을 자동 수행하는 모델을 개발합니다. TNM 분류 체계(Tumor-Node-Metastasis)는 암의 진행 단계를 평가하는 국제 표준으로, AI 기반 자동 병기 분류는 영상의학과 전문의의 판독 효율성을 크게 향상시킬 수 있습니다.
SANDL — Router 개선 수식을 활용한 MoE 성능 향상
SANDL 팀은 Mixture of Experts(MoE) 아키텍처에서 라우터(Router)의 수식을 개선하여 모델 성능을 높이는 연구를 수행합니다. Expert 선택 전략을 최적화함으로써 연산 효율성과 모델 정확도를 동시에 개선하는 것이 핵심 목표이며, 대규모 언어 모델 및 비전 모델에 범용적으로 적용할 수 있는 방법론을 탐색합니다.
BDOT — NASA 화성 SHARAD 데이터 기반 Denoising & Super-Resolution
BDOT 팀은 NASA의 화성 탐사 레이더 데이터(SHARAD)를 활용하여 대기 사진의 노이즈를 제거하고 해상도를 높이는 연구를 진행합니다. 우주 탐사 데이터 특유의 잡음과 저해상도 문제를 딥러닝 기반 Denoising 및 Super-Resolution 기법으로 해결하며, 행성 과학 연구에 기여하는 것을 목표로 합니다.
마무리
각 팀은 서로 다른 의료 영상 도메인과 AI 기법을 탐구하며, 최종적으로 논문 작성 및 학회 투고를 목표로 하고 있습니다.