[jalee]AAAI27 & ACCV26 학회/ 치아 논문, Birth Defect 조사

 

1. AAAI27

https://aaai.org/aaai-24-conference/submission-instructions/

Submission Instructions - AAAI

 

학회 특징: 단순 도메인 적용 연구를 배제하고, AI 알고리즘 자체의 일반화 성능과 이론적 기여도( 수식 전개 등)를 최우선으로 평가, 탑티어 종합 AI 학회

광범위한 AI 분야 포괄: 머신러닝, 컴퓨터 비전, 자연어 처리(NLP), 강화학습은 물론 AI 윤리와 시스템 전반까지 AI의 거의 모든 세부 분야

 

 

 

 

2. ACCV 2026 

https://accv2026.org/submissions/

Submissions – ACCV 2026

 

학회 특징 : 컴퓨터 비전 특화 학회, 밀집된 객체 환경에서 정밀한 픽셀 단위 세그멘테이션, 실제 연산 속도 등 엔지니어링 완성도 중요하게 평가

연구 범위: 기계 학습, 3D 컴퓨터 비전, 딥러닝, 객체 인식, 이미지 처리 등 컴퓨터 비전 전 분야의 최신 논문

1. 치아, birth defect 관련 주요 태스크 

• Instance Segmentation (인스턴스 분할): 개별 치아를 하나씩 분리하여 경계를 따는 작업, 교정 및 임플란트 계획 수립 등에 활용
• Tooth Pathosis Detection (병변 탐지): 충치(Caries), 치근단 질환, 비정상 치아(Abnormal teeth) 등을 찾아내고 분류하는 작업
• Enumeration & Numbering (치아 번호 부여): 엑스레이에서 각 치아에 표준 번호(FDI 시스템 등)를 자동으로 할당
• Birth Defect Analysis (선천적 결함): 구순구개열(Cleft lip/palate) 환자의 3D 안면 재구성이나 치아 발육 부전 분석 등

2. 주요 모델 및 방법론적 공통점

• Transformer 기반 아키텍처 (Swin Transformer, ViT): 기존의 CNN(U-Net)을 넘어, 치아 간의 상대적 위치 관계를 전역적으로 파악하기 위해 Transformer 구조를 결합 (예: ToothFairy2 Challenge 논문들).
• Semi-supervised / Self-supervised Learning: 라벨링된 의료 데이터가 부족으로 라벨이 없는 대량의 데이터를 활용하는 기법이 사용됨 (예: STS 2024 Challenge).
• Diffusion Models: 2024-2025에는 치아 결함 탐지를 위해 Diffusion Autoencoder를 사용하여 정상 치아 구조와의 차이를 식별하는 연구 많이 보임
• Sequential Framework: 파노라마 엑스레이의 특성상 왼쪽에서 오른쪽으로 이어지는 치아 배열을 시퀀스 데이터로 처리하는 RNN/Transformer 결합 모델이 사용

1,2번은 2020~2026 주요 학회(CVPR, MICCAI 등) 등재된 치아, birth defect 관련 논문 81편 기준으로 조사함.

3. 주요 논문 집중 탐구

 

1) When CNNs Outperform Transformers and Mambas

https://arxiv.org/abs/2511.14860

• 코드 링크: https://github.com/JunZengz/dental-caries-segmentation

GitHub - JunZengz/dental-caries-segmentation: When CNNs Outperform Transformers and Mambas: Revisiting Deep Architectures for De

 

• 저자: Aashish Ghimire ,Jun Zeng, Roshan Paudel 등
• 학회: preprint지만 DoubleU-Net·TransNetR 등 직접 만든 저명한 저자 그룹의 논문임
• 주요 테스크:  파노라마 방사선 사진의 치아 우식(caries) 이진 분할. DC1000 데이터셋에서 CNN·Vision Transformer·State-space Mamba 12종을 동일 조건으로 학습한 최초의 종합 벤치마크

*우식분할: 치아의 우식 식별, 분할하는 것. 픽셀을 우식(1)/배경(0)으로 나누는 이진 분할

원본 파노라마 X-ray, 전문가가 우식 영역만 표시한 이진(binary) 마스크, 그리고 둘을 겹친 overlay로 구성

 

DC1000 데이터(Dental Caries)는 1,000장의 파노라마 영상에 7,500개 이상의 우식 병변, 얕음·중간·깊음 3단계 심도를 담고, 593장은 정밀 주석·407장은 개략 주석이 있는 다른 논문에서 발표한 데이터셋으로 해당 논문에서는 정밀 주석 데이터만 사용함.

 위 피처를 통해 우식 병변이 전체 영상에서 차지하는 비율이 극히 작아(점 단위) 배경 대비 전경의 클래스 불균형이 심하며, 이는 분할 학습에서 손실 가중치 조정(positive weight, Focal loss)을 필요함을 알 수 있음.

DC1000에서 Mamba 계열 4종, Transformer 계열 4종, CNN 계열 4종을 동일한 학습 설정으로 비교한 결과, 모든 모델은 BCE(pos_weight 18.0)+Focal loss(α 0.75, γ 2.0), 학습률 1×10⁻⁴, 입력 384×384, batch 4의 동일 조건에서 학습되었다.

위 비교 실험 결과 CNN계열 모델의 성능이 가장 좋았고 데이터가 제한적인 도메인 특화 분할에서는 모델 복잡도보다 아키텍처-태스크 정합이 중요하다는 결론을 도출함. 

DC1000 테스트셋에서 대표 4개 아키텍처(DoubleU-Net, U-Net, PVTFormer, RMAMamba-S)의 분할 결과를 ground truth와 나란히 비교

확대 영역(inset)에서 DoubleU-Net이 미세한 radiolucent 경계(방사선 투과 경계)와 흐릿한 법랑질–상아질(enamel–dentin) 전이를 가장 정확히 보존하는 반면, Transformer·Mamba 기반 모델은 이러한 미세 경계를 과대·과소 분할하거나 놓치는 경향을 보인다.경계 품질(boundary fidelity)이 Mamba·Transformer의 약점 

 

* radiolucent(방사선 투과) 경계: X-ray에서 단단한 곳(법랑질, 뼈)은 X선을 막아 하얗게, 충치처럼 약해진 곳은 X을 통과해 어둡게 나옴. 그래서 우식은 얼룩처럼 보임.

*법랑질-상아질 전이: 치아의 바깥: 법랑질( 가장 단단하고 밝음), 안쪽:상아질(약간 어두움) 2개의 층으로 되어 있음. 둘이 만나는 부분이 전이. 해당 부분은 번져보이므로 우식이 어디인지 정확히 긋기 어려움.

*boundary fidelity(경계 품질): 모델이 그린 마스크의 테두리가 진짜 병변 테두리와 얼마나 똑같은 지. 위치 맞아도 테두리 엉성하면 품질 낮음

픽셀 단위 판별 성능을 ROC 곡선과 AUC로 비교

픽셀 단위 AUC에서는 Mamba 계열이 가장 높았다(분할 모델은 칙셀 하나하나에 충치일 확률을 매김). DoubleU-Net의 AUC는 0.9467로 중위권이다. 이는 Mamba가 개별 픽셀의 우식 여부 판별력은 높지만, 공간적 일관성과 경계 정확도를 요구하는 분할 마스크의 품질(Dice)로는 이어지지 못함을 시사한다. Mamba의 표현력·판별력은 충분하나(AUC 0.98), 부족한 것은 디코더·공간 prior

 

*ROC 곡선 

TPR(세로축, 민감도): 진짜 충치 픽셀 중 모델이 맞게 잡은 비율

FPR(가로축): 진짜 배경 픽셀 중 모델이 충치라고 잘못 부른 비율

 

 잘 가려내는 모델일수록 곡선이 왼쪽 위 모서리에 (충치는 많이 잡고 오탐은 적게).

 

2) STS 2024 

https://arxiv.org/abs/2511.22911

• 데이터, 코드: https://github.com/ricoleehduu/STS-Challenge-2024

GitHub - ricoleehduu/STS-Challenge-2024

 

• 저자 : Yaqi Wang·Zhi Li 등
• 학회/게재 : MICCAI 2024에서 개최한  Semi-supervised Teeth Segmentation(STS 2024) 챌린지, Medical Image Analysis(2026) 게재. 
• 주요 태스크 : 반지도학습(SSL) 기반 instance-level 치아 분할. OPG(2D)와 CBCT(3D) 모두 대상이며, 일부 데이터에 FDI 번호까지 포함한 instance 주석.

* semantic 분할 vs instance 분할: semantic은 이 픽셀이 치아냐 아니냐만 구분/ instancesms 치아 하나 하나 따로 별개의 객체로 떼어냄. 치아별 넘버링

 

* FDI: 치과 국제 표준 치아 번호 체계 

 

*OPG(2D)/ CBCT(3D): 

OPG: 파노라마 X-ray, 입 전체 한 장에 펼친 2D사진

CBCT: 콘빔CT, 여러 단면을 쌓은 3D 영상 ( 축상 슬라이스: 가로로 다른 단면들

 

*SSL(반지도 학습) : 라벨이 일부만 있는 상태로 학습. 모델이 라벨이 없는 영상에서 스스로 임시 정답(pseudo -label) 만들며 배움.

 

설명(요약) — 치아 instance 주석 라벨이 부족한 문제를, SSL로 푸는 것을 목표로 한 챌린지. 90,000장 이상의 2D 영상·3D 축상 슬라이스(OPG 2,380장 + CBCT 330 스캔)가 제공됨, instance-level FDI 주석은 일부 데이터에만 부여.

가장 효과적인 접근은 SAM 같은 foundation 모델 + 다단계 coarse-to-fine 정제를 결합하는 것이였고 코드는 링크에 있음.

치아 instance 분할에 대한 최초의 국제 SSL 벤치마크. 

 

3) AIOC (Zhang et al., 2026 / arXiv)

https://arxiv.org/abs/2603.06522

Artificial Intelligence for Detecting Fetal Orofacial Clefts and Advancing Medical Education

 

 

저자 — Yuanji Zhang·Yuhao Huang·Haoran Dou·Xiliang Zhu등

학회/게재 — Nature Communications (2026)

주요 태스크 — 산전 초음파에서 태아 구순구개열(orofacial cleft) 진단 + 방사선사 교육 보조. AIOC 시스템은 검출(YOLOX) 분기와 분류(MILA) 분기를 통합한 이중 분기 네트워크로 CL·CLP·정상을 진단하고, 표준 단면·핵심 구조(상순·치조제·구순열·구개열 등)를 시각화

 

* CL(Cleft lip, 구순열): 태아가 자랄 때 입술이 정상적으로 붙지 못하고 갈라진 채 태어나는 기형

 

*CLP(Cleft Lip and Palate, 구순구개열): 입술에다가 입천장 내부 뼈와 살인 입천장(Palate)까지 갈라진 상태, 중증 선천성 결함

 

*상순 및 치조제: 상순(Upper Lip): 윗입술, 초음파에서 윗입술 라인이 끊어져 있는 지 보고 구순열 진단함/ 치조제(Alveolar Ridge): 치아가 돋을 잇몸 뼈 자리, CLP환자인 경우 이 부위를 검출하는 겻이 중요

 

*정상/ 병변 뷰(NLV, CLV, NAPV, CAPV):의사들이 초음파를 볼 때 아기 얼굴을 여러 각도에서 촬영하는데 AI가 각 사진을 판별하는 임시 분류 표기법. NLV(Normal Lip View), CLV(Cleft Lip View)

 

* 이분 분기 네트워크: 하나의 AI 모델이 입력된 이미지 한 장으로 두가지 목적의 연산을 동시에 수행하도록 통로(branch)를 두 개로 쪼갠 구조. AIOC에서는 검출 분기와 분류 분기로 나눠짐.

AIOC 시스템의 구조

한 태아의 여러 초음파 뷰를 입력받아, 검출 분기(YOLOX)가 구순·치조제 등 핵심 구조의 위치(국소 특징)를 잡고, 분류 분기(MILA)가 영상 전체의 표현(전역 특징)을 추출한다. 두 특징을 LSTM으로 여러 뷰에 걸쳐 통합해 각 뷰를 정상/병변 뷰(NLV·CLV·NAPV·CAPV)로 분류하고, 이를 케이스 단위로 종합해 최종 진단(정상·구순열 CL·구순구개열 CLP)을 내린다. 즉 AIOC는 검출과 분류를 결합한 다중-뷰 판별(discriminative) 파이프라인. 산전 구순열 진단의 현재 SOTA 시스템, 22병원 대규모 외부검증으로 임상 일반화 입증됨(45,139장 데이터로 검증(태아 9,215명: OC 1,139 + 정상 8,076, 임신 14–28주))

 

주목할 점: state-space(Mamba)나 생성(diffusion) 기반이 아니다. 

 

*MIL (Multi-Instance Learning, 다중 인스턴스 학습): 환자 한 명을 진단할 때, 수십 장의 초음파 사진(Instance) 중 단 한 장에서만 기형이 발견되어도 그 환자는 최종적으로 '구순구개열 환자'로 진단. 여러 장의 사진 묶음(Bag)을 보고 최종 환자 단위의 라벨을 예측. AIOC의 MILA 분기가 이 역할을 수행

 

*다중-뷰 판별(Discriminative) 파이프라인: 한 명의 태아를 진단하기 위해 여러 각도에서 찍은 여러 장의 초음파(Multi-view)를 LSTM(시계열 신경망)으로 순서대로 엮어서 최종 결론을 도출하는 진단 시스템. '판별(Discriminative)' 모델은 데이터가 정상인지 병변인지 이진 분류 진행.

 

 

 

 

 

4. 이외 학회 일정

https://mlciv.com/ai-deadlines/?sub=ML,CV,CG,NLP,RO,SP,DM,AP,KR,HCI,EDU

AI Conference Deadlines

ICASSP 2027 — IEEE 신호·영상처리 대형 학회

- 마감: 본문 9/16, 특이점: "Biomedical Imaging" 영역

CVPR 2027

- 마감: ~11월 2026

ICLR 2027

- 마감:~9월 말 2026, 특이점: state-space model(S4/Mamba) 본진

BMVC 2027 — 영국 CV 학회

- 마감: ~5월 2027, 특이점: “Medical and Biological Image Analysis"가 명시 관심 주제