본 논문은 의료 영상 분석에서 정확한 병변, 종양, 해부학적 구조의 위치 파악 및 윤곽 설정을 가능하게 하는 인스턴스 분할의 신뢰성 향상에 초점을 맞추고 있습니다. Mask R-CNN 및 BlendMask와 같은 딥러닝 모델이 상당한 발전을 이루었지만, 신뢰도 보정 문제로 인해 고위험 의료 환경에서의 적용이 제한됩니다. 이를 해결하기 위해, 논문에서는 준거 예측 이론에 기반한 강력한 품질 관리 프레임워크를 제안합니다. 이 프레임워크는 임상 요구 사항에 따라 분할 결정 경계를 적응적으로 조정하는 위험 인식 동적 임계값 메커니즘을 혁신적으로 구축합니다. 특히, 사용자가 정의한 위험 수준 α에 따라 분할 임계값을 동적으로 조정하는 보정 인식 손실 함수를 설계합니다. 교환 가능한 보정 데이터를 활용하여 이 방법은 테스트 데이터의 예상 FNR 또는 FDR이 α 미만으로 유지될 확률을 높입니다. 이 프레임워크는 아키텍처 수정 없이 주요 분할 모델(예: Mask R-CNN, BlendMask+ResNet-50-FPN) 및 데이터 세트(PASCAL VOC 형식)와의 호환성을 유지합니다. 실험 결과는 개발된 보정 프레임워크를 통해 테스트 세트에서 FDR 지표를 엄격하게 제한함을 보여줍니다.
