본 논문은 컴퓨터 단층촬영(CT) 영상에서 경골 고원 골절(TPF)을 정확하게 자동 분할하기 위한 새로운 훈련 전략을 제시합니다. 기존의 심층 학습 모델 훈련에는 많은 양의 주석이 달린 데이터가 필요하지만, TPF의 다양한 골절 패턴, 심각도, 개별 해부학적 변이 등을 고려하여 전문가가 주석을 달아야 하므로 시간과 비용이 많이 소요됩니다. 본 논문에서는 이러한 문제를 해결하기 위해 마스크드 오토인코더(MAE) 기반의 효과적인 훈련 전략을 제안합니다. MAE 사전 훈련을 통해 비표지 데이터에서 전반적인 골격 구조와 미세한 골절 세부 정보를 학습하고, 소량의 표지 데이터로 미세 조정하여 모델의 일반화 및 전이 성능을 향상시킵니다. 제안된 방법은 180개의 CT 스캔을 포함하는 자체 데이터셋에서 평가되었으며, 기존의 준지도 학습 방법보다 우수한 성능을 보였습니다. 특히, 20개의 주석이 달린 케이스만으로도 평균 Dice 유사도 계수(DSC) 95.81%, 평균 대칭 표면 거리(ASSD) 1.91mm, 하우스도르프 거리(95HD) 9.42mm를 달성했습니다. 또한, 다른 공개 골반 CT 데이터셋(고관절 골절)에 적용하여 강력한 전이 성능을 보였습니다.
