본 논문은 신장 결석 분류를 위한 전처리 단계로서 신장 결석의 자동 분할에 초점을 맞추고 있습니다. 기존의 U-Net 계열 모델들이 데이터셋에 대한 일반화 능력이 부족한 한계를 극복하기 위해, 최신 딥러닝 프레임워크인 Segment Anything Model (SAM)을 활용하여 신장 결석 분할 자동화의 가능성을 연구했습니다. U-Net, Residual U-Net, Attention U-Net 등 기존 모델들과 SAM의 성능을 비교 분석하여, SAM이 기존 모델들보다 우수한 적응력과 효율성을 보임을 확인했습니다. 특히, 새로운 데이터셋(out-of-distribution data)에 대한 일반화 능력에서 최대 23%까지 성능 향상을 보였습니다. 기존 모델들은 비슷한 수준의 정확도(Accuracy: 97.68 + 3.04; Dice: 97.78 + 2.47; IoU: 95.76 + 4.18)를 보였지만, SAM은 새로운 데이터셋에서 훨씬 우수한 성능을 나타냈습니다.
