태아 심장 초음파의 반지도 학습 분석을 위한 시너지 파운데이션 모델: SAM-Med2D 경계 정밀화 및 DINOv3 의미론적 강화
요약
태아 심장 초음파 이미지의 공동 분할 및 분류를 위한 새로운 반지도 학습 프레임워크를 제안합니다. SAM-Med2D를 통한 경계 정밀화와 DINOv3를 활용한 의사 라벨 품질 향상을 결합하여, 태아 선천성 심장 질환 선별 성능을 크게 개선했습니다.
핵심 포인트
- SAM-Med2D를 통합하여 초음파 이미지의 경계 정밀도를 높임
- DINOv3를 활용하여 의사 라벨(Pseudo-label)의 품질을 강화
- 분할 성능 유지와 분류 성능 회복을 위한 2단계 최적화 전략 도입
- FETUS 2026 리더보드에서 높은 Dice 유사도 계수(79.99%) 및 F1-score 달성
우리는 태아 심장 초음파 이미지의 공동 분할 (Segmentation) 및 분류 (Classification)를 위한 반지도 학습 (Semi-supervised) 프레임워크를 제시합니다. EchoCare 멀티태스크 백본 (Multi-task backbone)을 기반으로 구축된 우리의 방법은 경계 정밀화 (Boundary refinement)를 위해 SAM-Med2D를 통합하고, 의사 라벨 (Pseudo-label) 품질을 향상시키기 위해 DINOv3를 활용합니다. 우리는 뷰 특화 하드 마스킹 (View-specific hard masking)과 함께 2단계 최적화 전략을 도입합니다. 이 전략은 분할 능력을 공고히 하기 위한 EMA 단계와, 분할 성능의 이점을 해치지 않으면서 분류 성능을 회복하기 위해 분할 파라미터를 동결하고 분류 헤드 (Classification head)를 재설정하는 분류 미세 조정 (Classification Fine-Tuning) 단계로 구성됩니다. FETUS 2026 리더보드에서 평가한 결과, 우리의 방법은 Dice 유사도 계수 (Dice Similarity Coefficient) 79.99%, 정규화된 표면 거리 (Normalized Surface Distance) 61.62%, 그리고 F1-score 41.20%를 달성하여 태아 선천성 심장 질환 선별을 위한 우리 접근 방식의 효과를 입증했습니다. 소스 코드는 다음에서 공개적으로 사용할 수 있습니다: https://github.com/2826056177/zcst_fetus2026.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기