본 논문은 초음파 영상에서의 정확하고 일반화 가능한 객체 분할이 해부학적 변이, 다양한 영상 프로토콜, 제한된 주석 데이터로 인해 어려움을 겪고 있다는 점을 지적하며, 이 문제를 해결하기 위해 Grounding DINO와 SAM2를 통합한 프롬프트 기반 시각-언어 모델(VLM)을 제안합니다. 유방, 갑상선, 간, 전립선, 신장, 척추 주변 근육 등 18개의 공개 초음파 데이터셋을 사용하여, 15개 데이터셋으로 Grounding DINO를 Low Rank Adaptation (LoRA)을 이용하여 초음파 영역에 미세 조정하고 검증하였고, 나머지 3개 데이터셋은 미지의 분포에서 성능을 평가하기 위해 테스트에 사용했습니다. 실험 결과, 제안된 방법은 UniverSeg, MedSAM, MedCLIP-SAM, BiomedParse, SAMUS 등 최첨단 분할 방법들을 대부분의 기존 데이터셋에서 능가하며, 추가적인 미세 조정 없이 미지의 데이터셋에서도 강력한 성능을 유지함을 보여줍니다. 이러한 결과는 VLM이 확장 가능하고 견고한 초음파 영상 분석에 유망함을 강조하며, 대규모의 장기 특이적 주석 데이터에 대한 의존성을 줄일 수 있음을 시사합니다. 코드는 수락 후 code.sonography.ai에 공개될 예정입니다.
