키프레임 활용과 시공간 경계 정규화를 통한 의료 영상 분할 연구

Abstract

의료 영상에서 해부학적 구조를 정밀하게 분할하는 작업은 정량적 분석과 컴퓨터 보조 진단의 핵심 기반을 이룬다. 그러나 기존의 비디오 객체 분할(Video Object Segmentation, VOS) 모델은 주로 자연 영상 데이터셋을 중심으로 개발되어, 의료 영상이 지닌 고유한 해부학적 구조적 특성과 시계열적 패턴을 충분히 반영하지 못한다는 한계를 갖는다. 특히 대부분의 VOS 모델은 인접한 프레임에만 의존하는 단기 참조 방식으로 학습되기 때문에, 장기 의존성(long-term dependency) 을 효과적으로 포착하거나 시점 간 일관된 분할 결과를 안정적으로 유지하는 데 어려움을 보인다. 본 연구는 이러한 문제의식을 바탕으로, 의료 영상에 최적화된 이중 단계(two-stage) 기반 VOS 학습 프레임워크를 새롭게 제안한다. 본 연구의 1단계(Stage 1) 는 연속된 프레임을 활용하여 기본 CUTIE 구조를 학습함으로써 의료 영상의 기초적 표현을 습득하도록 설계되었다. 이어지는 2단계(Stage 2) 에서는 클러스터링 기반 키프레임 선택(keyframe sampling) 전략을 도입하여, 시퀀스 전체에서 전역적으로 대표성을 갖는 프레임들을 참조 집합으로 구성한다. 이를 통해 기존 인접 프레임 중심 단기 참조 방식의 한계를 극복하고, 보다 풍부한 문맥 정보를 제공하여 장기 의존성을 효과적으로 반영하도록 확장하였다. 또한 의료 영상에서 중요한 경계 정밀도를 강화하기 위해 시간 일관성 손실(Temporal Loss) 과, 혈관 영상의 3차원적 구조 특성을 반영한 비등방성 3D 하우스도르프 손실(Anisotropic 3D Hausdorff Loss)을 결합하여 손실 함수를 설계하였다. 이러한 손실 함수 설계는 프레임 간 예측 왜곡을 줄이고 해부학적 구조의 연속성을 유지하는 데 효과적으로 기여한다. 제안한 이중 단계 프레임워크는 연속적인 내시경 영상 데이터셋인 SUN-SEG와 혈관 내 광간섭단층촬영 이미지인 IVOCT 데이터셋에서 평가되었다. 실험 결과, 본 연구의 방법은 기존 2D 단일 프레임 기반 모델 및 자연 영상 중심의 VOS 모델 대비 우수한 정확도를 보였다. 이는 의료 영상에서 장기 의존성과 해부학적 일관성을 동시에 고려한 VOS 학습 전략의 타당성과 효과성을 입증하는 결과이다. 결론적으로, 본 연구는 의료 영상의 연속 시퀀스를 보다 정교하게 이해하고 활용할 수 있는 효율적이고 확장 가능한 VOS 학습 패러다임을 제시함으로써, 향후 다양한 의료 영상 분석 분야에서 활용될 수 있는 중요한 기반을 제공한다.;Accurate segmentation of anatomical structures in medical imaging is essential for quantitative analysis and computer-aided diagnosis. However, existing Video Object Segmentation (VOS) models are primarily developed on natural video datasets and therefore fail to fully capture the unique structural characteristics and temporal patterns of medical videos. In particular, most VOS methods rely on short-term references constructed from temporally adjacent frames, making it difficult to model long-term dependencies and maintain stable temporal consistency. Motivated by these limitations, this thesis proposes a novel two-stage VOS learning framework tailored for medical video sequences. In the first stage (Stage 1), the model learns fundamental anatomical representations through Cutie-based training on consecutive frames. The second stage (Stage 2) further incorporates the long-term nature of medical video by applying a clustering-based keyframe sampling strategy that selects globally representative frames for reference construction. This approach overcomes the limitations of adjacent-frame-dependent VOS and enriches the contextual diversity available to the memory mechanism, enabling more effective long-term reference aggregation. To ensure anatomically coherent boundaries across time, the framework additionally integrates a Temporal Loss and an anisotropic 3D Hausdorff Loss, which jointly reduce contour distortion between frames and enforce consistent structural alignment. The proposed two-stage framework is evaluated on continuous endoscopic video datasets (SUN-SEG) and intravascular optical coherence tomography (IVOCT) sequences. Experimental results demonstrate that our method consistently outperforms conventional 2D segmentation models and natural-image-based VOS approaches. The model achieves superior boundary accuracy, enhanced temporal stability, and competitive region-based performance, validating the effectiveness of incorporating long-term dependencies and anatomical consistency into VOS training for medical imaging. By presenting an efficient and scalable VOS learning paradigm for medical video segmentation, this study provides a strong foundation for advancing automated analysis across a wide range of medical imaging applications.