생물의학 영상 분할은 정확한 구조 윤곽선 묘사 및 후속 분석에 필수적입니다. 기존 방식은 노이즈가 많은 데이터에 어려움을 겪는 반면, U-Net과 같은 딥러닝 모델은 분할 성능에 새로운 기준을 세웠습니다. nnU-Net은 모델 구성을 자동화하여 광범위한 튜닝 없이도 데이터 세트에 적응할 수 있도록 합니다. 그러나 교차 검증을 위해서는 상당량의 주석이 달린 데이터가 필요하며, 레이블 없이 원시 이미지 만 사용할 수 있는 경우 어려움이 있습니다. 대규모 파운데이션 모델은 제로샷 일반화 기능을 제공하지만, 고유한 특성을 가진 특정 데이터 세트에서는 성능이 떨어질 수 있으며, 분석에 직접 사용하는 데 제한이 있습니다. 이 연구는 능동 학습과 유사 레이블링을 활용하여 전통적인 신경망과 대규모 파운데이션 모델의 강점을 결합하고 인간의 개입을 최소화하는 데이터 중심 AI 워크플로우를 제안하여 이러한 병목 현상을 해결합니다. 파이프라인은 파운데이션 모델에서 유사 레이블을 생성하는 것으로 시작하며, 이를 사용하여 nnU-Net의 자체 구성을 수행합니다. 그 후, 최소한의 수동 주석을 위해 대표적인 코어 세트가 선택되어 nnU-Net 모델의 효과적인 미세 조정을 가능하게 합니다. 이 접근 방식은 수동 주석의 필요성을 크게 줄이면서 경쟁력 있는 성능을 유지하며, 생물의학 연구자가 최첨단 AI 기술을 분할 작업에 적용할 수 있는 접근 가능한 솔루션을 제공합니다.
