본 연구는 cGAN 전처리, 분할, GCN, ASFO, 변압기 모델링을 활용해 수술 중 현미경 영상에서 수술 위험을 예측하는 딥러닝 파이프라인을 제시합니다. CaDIS와 SICS-105 데이터셋에서 높은 성능을 달성하지만, 임상 타당성은 간접 라벨링으로 인해 제한됩니다.
연구 논문
본 연구는 cGAN 전처리, 분할, GCN, ASFO, 변압기 모델링을 활용해 수술 중 현미경 영상에서 수술 위험을 예측하는 딥러닝 파이프라인을 제시합니다. CaDIS와 SICS-105 데이터셋에서 높은 성능을 달성하지만, 임상 타당성은 간접 라벨링으로 인해 제한됩니다.
유리체 절제술 수술에서 수술 후 합병증은 여전히 큰 도전 과제로 남아 있으며, 종종 시력 저하와 반복적인 개입으로 이어집니다. 본 연구는 수술 중 현미경 영상에서 시공간적 특징을 추출하여 수술 위험을 예측하는 딥러닝 프레임워크를 제시합니다. 전처리 과정에서는 모션 안정화, 조명 정규화, cGAN 기반 아티팩트 억제 등 비디오 향상 기법이 입력 품질을 향상시키기 위해 적용됩니다. 관련 수술 영역을 구분하기 위해 윤곽 적응형 분할이 사용되며, 구조 인식 특징 추출을 위한 그래프 합성곱 네트워크가 이어집니다. 적응형 해바라기 최적화 접근법이 통합되어 특징 선택을 정교하게 하고, 트랜스포머 기반 모델은 최종 위험 예측을 위해 시간적 의존성을 포착합니다. 이 프레임워크는 CaDIS와 SICS-105라는 두 개의 공개 데이터셋에서 평가됩니다. 이 모델은 CaDIS 데이터셋에서 98.9% 정확도, 97.5% 정밀도, 98.2% 회상률, 97.9% F1 점수, 98.1% AUC를 달성했습니다. 더불어, 세분화 모듈은 98.9%의 픽셀 정확도, 98.5%의 클래스별 정확도, 96.6%의 mIoU를 달성했습니다. 이 모델은 SICS-105 데이터셋에서 99.1% 정확도, 98.5% F1 점수, 98.7% 민감도, 98.7% 특이도, 그리고 99.10%의 ROC AUC를 달성했습니다. 이 결과들은 기준선 모델에 비해 일관된 개선을 보여줍니다. 전반적으로 GAN이 강화된 전처리, 그래프 기반 특징 학습, 최적화, 트랜스포머 모델링을 통합하여 예측 신뢰성을 높입니다. 이 접근법은 수술 중 비디오 분석이 실시간 임상 의사 결정 지원과 수술 후 위험 층화 개선을 위한 잠재력을 강조합니다.
Pars plana vitrectomy(PPV)는 망막 박리, 당뇨병성 망막병증, 황반구멍, 유리체 출혈1 등 다양한 유리체망막 질환 관리를 위한 외과적 절차의 기초입니다. 수술 기구와 시각화가 발전했음에도 불구하고, 수술 후 합병증은 여전히 중요한 이환 원인으로 남아 있으며, 경미한 시각 장애부터 재발성 망막박리, 안안염, 통제되지 않는안압과 같은 시력 위협 사건에 이르기까지 다양합니다. 이러한 합병증 위험이 높은 환자를 식별하는 것은 임상 실무에서 중요한 미충족 과제로, 이는 보다 정보에 기반한 수술 계획, 개인 맞춤형 수술 후 관리, 적시적 개입을 가능하게 합니다3. 전통적으로 PPV의 위험 평가는 정적인 수술 전 요인(예: 동반 질환 및 수술 전 안구 질환)과 외과의사의 주관적 수술 중 판단에 의존해 왔습니다 4,5,6,7. 더불어, 최근의 유리체 절제 수술은 고해상도 수술용 현미경 영상을 통해 광범위하게 기록되어 풍부하지만 활용되지 않은 데이터 원천을 제공합니다. 따라서 이 기록들은 해부학적 및 병리학적 특징뿐만 아니라 외과의-조직 상호작용, 수술 중 사건, 수술 동작 등 추가 합병증을 예측할 수 있는 움직임도 포착합니다 8,9,10,11.
딥러닝은 안저 영상 분류, 자동 수술 기술 평가, 광학 코히어런스 단층촬영(OCT) 분석 등 안과 분야에서 놀라운 성과를 보였습니다12. 더불어, 일부 연구에서는 수술 중 영상 데이터를 체계적으로 활용하여 수술 후 결과를 예측하기도 했습니다. 수술 영상의 시공간적 특성은 고차원 데이터, 외과의사 간 변동성, 시간적 의존성, 환자 해부학, 장치13, 14, 15, 16 등 독특한 도전 과제를 제기합니다. 그러나 임상 영역의 유창한 통합은 정확하거나 정밀한 예측뿐만 아니라 실시간 수술 환경 전반에 걸쳐 견고함, 해석 가능성, 일반화 가능성도 필요하다17.
안과 및 외과 데이터 과학 분야에서18, 머신러닝(ML)과 딥러닝(DL)이 최근 꽤 인기를 끌고 있습니다. 이들의 응용 분야에는 결과 예측, 외과 기술 평가,진단 영상 등이 포함됩니다. 수술 중 수술 상황을 이해하기 위한 DL 기반 프레임워크는 여러 연구에서 연구되었습니다. 예를 들어, Nespolo20 은 유리체 수술에서 조직과 기구의 의미론적 해석을 위한 DL 파이프라인을 제안함으로써 과제 전반에 걸쳐 일반화 가능성을 입증했습니다. 객관적인 성능 평가를 용이하게 하기 위해, 수술 기법과 기구-조직 상호작용에 관한 포괄적인 데이터 추출이 가능하도록 더욱 확장되었습니다. 유사한 맥락에서, Nespolo 등은 수술 중 현미경과 인스턴스 분할 네트워크(YOLACT++)를 활용한 실시간 검출 및 분할 모델을 개발하여 수술 안내의 실현 가능성을 입증했습니다 .
또한 AI 기반 방법은 업무 흐름, 교육, 수술 평가 개선에 유용한 도구로 인정받고 있습니다22,23. 이 기술들은 위상 분할, 실시간 기기 추적, 안과 미세수술에서의 안전성 향상을 가능하게 합니다. 수술 중 기록 분석에서 머신러닝(ML)의 확대된 활용은 Mueller 등의 체계적 문헌고찰(23)에서 임상 번역과 신뢰성에 관한 현재 문제점도 강조되었습니다. 여러 연구에서 영상 및 임상 데이터를 활용한 DL 모델을 사용하여 수술 후 결과를 예측하였습니다. 예를 들어, OCT와 임상 특성에 기반한 모델이 특발성 망막 전막 사례에서 시각 결과를 예측하는 데 사용되었으며, 유사한 방법들은 다기관 데이터셋에서 황반구공 환자 수술 후 결과 예측에 효과가 있음을 보였다25. 다른 연구들은 다중 모드 DL 프레임워크를 이용해 증식성 유리체망막병증의 중증도를 규명하고 초광시야 영상을 이용한 망막 박리 재발 예측에 초점을 맞추고 있습니다27. 또한, 유리체망막 질환의 시각 결과 및 기저 원인은 인구통계학적, 임상적, 외과적 변수를 포함하는 머신러닝 모델을 사용하여 예측되었습니다28, 29, 30.
이러한 발전에도 불구하고, 현재 대부분의 방법은 수술 중 역학에 거의 중점을 두지 않고 주로 수술 전 데이터나 정적인 수술 후 영상에 의존하고 있습니다. 일부 연구는 수술 영상 분석을통해 분할 및 평가를 수행하지만, 합병증 가능성을 예측하기 위해 시공간적 수술 중 데이터를 직접 반영하지는 않습니다. 그 결과, 수술 중 현미경 비디오 데이터를 활용해 예측 모델링을 하는 데는 여전히 상당한 격차가 존재합니다. 수술 후 유리체 절제술 합병증을 예측하기 위한 정밀하고 임상적으로 의미 있는 틀을 만들기 위해서는 이 공백을 메워야 합니다.
본 연구에서는 수술 중 유리체 절제 영상에서 추출한 시공간적 특징과 구조화된 임상 메타데이터를 통합하여 수술 후 합병증 위험을 예측하는 새로운 다중모달 DL 프레임워크를 제시합니다. 컨볼루션 및 트랜스포머 기반 아키텍처와 같은 첨단 비디오 인코더와 메타데이터 융합 전략18을 활용하여 이 체계는 고위험 수술 중 사건을 인식하고, 보정된 합병증 확률을 제공하며 의사들이 해석 가능한 시각화를 생성하는 것을 목표로 합니다. 다기관 추정, 해석 가능성 분석 및 비교 연구를 통해 수술 중 비디오를 수술 결과의 예측 바이오마커로 사용하는 타당성이 입증되었습니다. 수술 중 현미경 기록의 시공간 데이터를 활용해 유리체 절제술 수술 중 수술 후 합병증을 예측하는 강력한 DL 프레임워크를 개발하는 것이 이 프로젝트의 주요 목표입니다. 예측 정확도와 일반화 측면에서 cGAN 기반 전처리, GCN 기반 특징 추출, ASFO 기반 최적화, 트랜스포머 기반 모델링을 결합한 제안된 통합 접근법은 기존 방법을 능가할 것으로 기대됩니다.
이 연구는 수술 중 현미경 영상을 효율적으로 활용하여 수술 후 유리체 절제술 문제 예측을 위한 포괄적인 DL 프레임워크를 제시합니다. 현재 주로 정적 영상 기법이나 수술 전 임상 데이터에 의존하는 방법과 달리, 제안된 방법론은 첨단 머신러닝 기법과 시공간 비디오 분석을 새롭게 결합합니다. 특히, 이 방법론은 수술 장면 내 구조적 및 관계 관계를 포착하기 위해 그래프 컨볼루션 네트워크(GCN), 정확한 영역 구분을 위한 등고선 적응 분할(CAS), 그리고 인공물 억제를 위한 cGAN 기반 비디오 향상 모듈을 사용합니다. 더 나아가, 모델 수렴성과 판별력을 향상시키기 위해 적응형 해바라기 최적화(ASFO) 알고리즘이 사용되어 특징 선택에서 탐색과 활용의 균형을 맞추고 있습니다. 마지막으로, 수술 시퀀스 전반의 시간적 역학은 시공간적 주의 풀링을 가진 트랜스포머 기반 아키텍처를 사용하여 모델링합니다. 기존 파이프라인에 비해 큰 개선으로, 이 전처리, 세분화, 그래프 기반 특징 학습, 최적화, 주의 기반 예측의 종합적 통합은 보다 정밀하고 신뢰할 수 있으며 임상적으로 의미 있는 위험 예측을 가능하게 합니다. CaDIS와 SICS-105 데이터셋은 본 연구에서 백내장 수술 분석임에도 불구하고 수술 중 시공간적 특징을 학습하기 위한 대리 시각 데이터셋으로 사용되었습니다. 명시적으로 표시된 합병증 라벨 대신, 이러한 특성들을 활용해 수술 후 유리체 절제 문제의 위험을 모델링하고 추론합니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
본 연구에 사용된 CaDIS 및 SICS-105 데이터셋은 공개되어 있으며, 각 연구소의 출판물에 보고된 바와 같이 사전 기관심사 위원회의 승인과 사전 동의를 받아 수집되었습니다. 이 연구는 완전히 익명화된 데이터에 대한 2차 분석만을 포함하므로, 추가적인 윤리적 승인이나 사전 동의가 필요하지 않았습니다.
제안된 모델은 수술 중 현미경 영상의 시공간 패턴을 활용해 수술 후 유리체 절제술 합병증을 예측하도록 설계되었습니다. 파이프라인은 전처리, 분할, 특징 추출, 특징 최적화, 분류의 네 가지 주요 단계로 구성되며, 이는 그림 1에 나타난 것입니다.
수술 중 합병증 위험 평가가 이 연구의 예측 목표입니다. CaDIS와 SICS-105 데이터셋이 종단적 추적 데이터가 없기 때문에 모델이 특정 시간 창 내에서 임상적으로 검증된 수술 후 사건을 예측할 수 없습니다. 대신, 수술 중 수술 패턴을 이용해 가능한 문제의 확률을 추론합니다. 이 맥락에서 '합병증'의 운영적 정의에는 불규칙한 상전이, 기구-조직 상호작용의 이상, 그리고 더 큰 수술 복잡성과 관련된 수술 워크플로우의 변동이 포함됩니다. 해석 가능성과 신뢰할 수 있는 평가를 보장하기 위해, 예측 작업은 사례를 저위험군과 고위험군으로 분류하는 이진 분류 문제로 설계되었습니다. 이 공식은 직접적인 임상 진단 시스템 역할을 하기보다는, 제안된 프레임워크가 수술 중 의사결정 지원 도구로 기능할 수 있게 합니다.
데이터셋 설명:
제안된 모델은 두 개의 데이터셋, 즉 A(CaDIS, 이미지 분할용 백내장 데이터셋)와 SICS-105(소절개 백내장 수술) 데이터셋에서 평가되었습니다.
(i) CaDIS31: 이 데이터셋은 백내장 수술 영상의 세분화 작업을 위해 개발되었습니다. 이는 공개된 CATARACTS 챌린지 데이터셋을 보완하기 위해 도입되었으며, 수술 영상 분석을 위한 DL 체계 개발을 촉진하는 것을 목표로 합니다. 데이터셋은 백내장 수술의 여러 단계를 묘사하는 25개의 비디오 녹화, 총 4,670개의 주석 프레임으로 구성되어 있습니다(보충 그림 1). 각 프레임은 세심하게 주석이 달려 있어 세그멘테이션 스킴 학습과 추정에 필요한 픽셀 단위 라벨을 제공합니다. 이 모델은 DL 모델의 수술 영상 성능을 평가하는 기준 역할을 합니다.
(ii) SICS-105(소절개 백내장 수술) 데이터셋32: 이 데이터셋은 2023년부터 2024년까지 6개월 동안 외과의가 수행하고 4명의 안과 의사가 주석을 달아 20단계에 걸쳐 수행한 105건의 기록으로 구성되어 있습니다(보충 그림 2). 총 영상 재생 시간은 22시간 39분이며, 해상도는 1920× 1080픽셀(960 × 540으로 다운샘플링), 30fps입니다. 평균 영상 길이는 12분 57초(σ=4분 31초)입니다. 데이터셋은 Zenodo 저장소의 URL: https://doi.org/10.5281/zenodo.13847781 에서 공개적으로 접근 가능합니다. 대표적인 입력 샘플은 보충 그림 1 과 보조 그림 2에 표시되어 있습니다. CaDIS와 SICS-105 데이터셋은 원래 백내장 수술에서의 수술 단계 인식 및 분할을 위해 설계되었으나, 수술 후 유리체 절제술 합병증에 대한 정보는 제한적입니다. 수술 후 유리체 절제술 합병증에 대한 정보 부족을 해결하기 위해, 수술 중 시각 패턴과 영상 시퀀스 내 사건을 바탕으로 위험 정보를 나타내는 대리 라벨 세트를 제안합니다. 데이터셋 내 프레임과 영상 시퀀스는 임상적 이해에서 영감을 받은 휴리스틱 세트에 따라 기구-조직 상호작용 복잡성, 수술 시간 이상, 폐색, 불안정성, 비정상 운동 등 3단계 위험 정보(낮음, 중등도, 높음)로 주석이 달렸습니다. 제안된 제형은 임상 결과를 라벨로 사용하지 않고, 잠재적 수술 후 합병증에 대한 위험 정보의 대리 라벨로 취급합니다.
cGAN 방식을 이용한 전처리
일반적으로 원시 프레임은 조명 변화, 흐림, 스펙큘러 아티팩트로 인해 자주 손상됩니다. 이를 해결하기 위해 조건부 생성적 적대적 네트워크(cGAN)를 사용하여 영상을 향상시킵니다. 원시 프레임은 보정이나 정규화 이전에 수술 중 현미경 비디오 녹화에서 직접 추출한 원본 미처리 프레임입니다. 이 프레임들은 일반적으로 조명 변동성, 모션 블러, 스펙큘러 반사, 수술 기구 및 카메라 움직임에서 발생하는 노이즈 등의 아티팩트를 포함합니다. 생성기는 깨끗한 프레임을 복원하고, 판별기는 시각적 사실성을 강제합니다. 픽셀 재구성, 대립적 및 시간적 일관성 손실을 통합하여 아티팩트 없이 안정적인 비디오 시퀀스를 추가 분석을 가능하게 하는 목적 함수입니다.
시간 단계 t에서 저하된 프레임 It가 생성기의 입력이며, 개선된 프레임 Yt = G(It)가 출력입니다. 입력 It에 조건을 받아, 판별기는 생성된 출력과 기본 진실 클린 프레임 Yt를 구별하도록 훈련됩니다. 훈련 목표는 고품질 재구성을 보장하기 위해 여러 손실 함수를 포함합니다: (i) 현실성을 강제하는 적대적 손실; (ii) 강도 충실도를 유지하기 위한 픽셀별 재구성 손실(L1 손실); (iii) 구조적 일관성을 유지하기 위한 심층 특징 표현을 통한 지각 손실; 그리고 (iv) 연속된 프레임 간 원활한 전환을 보장하고 깜박임 아티팩트를 방지하기 위한 시간적 일관성 손실.
특징 추출을 위한 고품질 입력을 보장하기 위해, 수술 중 현미경 영상은 처음에 cGAN을 사용해 보정됩니다. 각 원시 프레임 It*는 깨끗한 프레임의 저하된 관찰로 간주됩니다. 생성자 G는 향상된 프레임을 복원하기 위해 매핑 G(It) = It를 학습하는 반면, 판별자 D는 실제 샘플과 생성된 샘플을 구분합니다. 훈련 목표는 적대적 손실 L의상승, 지각 손실, L의 픽셀 기반 재구성 손실 L, 그리고 시간적 일관성 L. 온도를 통합합니다. 이 모델은 흐림, 스페큘러 아티팩트, 노이즈를 억제하면서도 시간적·구조적 일관성을 유지하여, 후속 분석을 위한 안정적이고 아티팩트 없는 비디오 시퀀스를 제공합니다. GAN의 공식화는 보충 파일 1의 방정식 [1-6]에 표현되어 있습니다.
등고선 적응 분할(CAS)을 이용한 세분화
여기서 세분화는 윤곽 적응형 세분화 모델을 사용하여 수행됩니다. 이는 현미경 이미지에서 영향을 받은 유리체 절제 영상을 분할하기 위한 예비 개요를 정의하여, 보충 파일 1의 방정식 [7-12]에서 보인 에너지 함수를 감소시킵니다. 낮은 에너지 값은 위험 지역에 대한 정확한 표현과 국지적 평가를 보장합니다. 이로 인해 영향을 받은 영역의 정밀한 분할이 가능해져 다음 섹션에서 특징 추출이 용이해집니다.
동적 시공간 GCN(dGCN)을 이용한 특징 추출
전처리 단계가 완료되면 다음 단계는 구별적인 시공간적 특징을 추출하는 것입니다. 이러한 이유로 구조화된 의존성을 포착하는 데 효과적인 그래프 컨볼루션 네트워크(GCN)가 사용됩니다. 채택된 모델은 과적합을 완화하고 정규화 메커니즘을 통해 경배 사소 문제를 해결하기 위해 비선형 활성화가 포함된 스택된 GCN 층으로 구성되어 있습니다. GCN 공식화는 그래프 컨볼루션의 1차 스펙트럼 근사에 의존하여 대규모 반지도 학습 작업에 적합합니다. 더불어, 선형화된 표현은 최적화를 단순화하여 효과적인 매개변수 학습을 보장합니다. 단순화된 GCN의 연산은 보충 파일 1의 방정식 [13–15]에 표현되어 있습니다. 적용 시 GCN은 수술 중 영상 데이터로부터 고차원 구조 표현을 효율적으로 추출합니다. 따라서 가장 관련성 높거나 적절한 특징만이 다음 절에서 설명하는 최적화 보조 선택 메커니즘에 의해 유지됩니다.
적응형 해바라기 기반 기능 최적화(ASFO)를 이용한 기능 최적화
적응형 해바라기 최적화 알고리즘(ASFO)은 고전적 해바라기 최적화 접근법(SFOA)의 향상된 버전입니다. 제안된 모델에서는 이 생물학적 동기 과정이 고차원 데이터셋에서 정제되고 특징 선택을 다루도록 수학적으로 모델링됩니다. 구체적으로, 이 접근법은 수렴 속도를 높이고, 탐색과 활용의 균형을 맞추어 해의 다양성을 유지하며, 조기 수렴을 완화하도록 맞춤화되었습니다. ASFO의 수학적 공식화는 보충 파일 1의 방정식 [16–21]에 명시되어 있습니다. 이 방식은 해가 최적에 가까워질 때 수렴을 가속화합니다. 상세 알고리즘은 보충 파일 1에 제공되어 있습니다. 제안된 파이프라인에서는 ASFO가 변압기 기반 융합 후 특징 벡터를 정제하는 데 사용됩니다. 선택된 특징은 질감 기반, 색상 및 강도, 형태학 및 구조적, 움직임 및 시간적, 고차원, 그리고 주의 가중 영역 기술자입니다. 목표는 특징 관련성 손실 함수를 최소화하여 중복성을 줄여 분류 정확도를 높이는 특징을 선택하고 가중치를 부여하는 것입니다.
시공간적 주의 풀링을 가진 트랜스포머 기반 분류 헤드
트랜스포머 기반 모델은 수술 영상 시퀀스 전반에 걸친 시간적 의존성을 포착하는 데 사용됩니다. 이 모델은 다중 헤드 자기 주의, 위치 인코딩, 그리고 최종 위험 예측을 위한 완전 연결 계층으로 구성되어 있습니다. 하이퍼파라미터 최적화는 ASFO를 사용하여 수행됩니다. 통합 파이프라인은 전처리, 특징 추출, 최적화, 트랜스포머 기반 분류를 결합하여 정확한 수술 위험 예측을 가능하게 합니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
제안된 모델의 효과를 평가하기 위해 실제 유리체 절제술 데이터셋을 활용한 광범위한 실험이 수행되었습니다. 성능은 전처리, 특징 추출 효능, 예측 정확도 전반에 걸쳐 평가되었습니다.
성능 분석 및 비교 추정
제안된 방법론은 정확도, 정밀도, 회상율, F1 점수, mIoU, 픽셀 정확도(PA), 클래스별 정확도(PAC), 민감도, 특이도, ROC, AUC 등의 지표를 사용하여 기준선 모델과 비교하였습니다. 분류 결과 해석에는 진양성(TP), 진음성(TN), 위양성(FP), 위음성(FN) 비율이 사용되었으며, TP는 올바르게 식별된 고위험군 사례를, FN은 임상 환경에서 중요한 놓친 고위험군 사례를 나타냅니다.
시공간적 주의 풀링을 가진 트랜스포머 기반 분류 헤드 - 데이터셋 A 성...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
CaDIS 및 SICS-105 데이터셋에 대한 실험적 평가는 제안된 모델이 전통적인 접근법에 비해 견고성과 우수함을 확인했습니다. ResNet-50, LSTM-CNN, 세그멘테이션 기반 네트워크(UNet, DeepLabV3+, UPerNet, HRNetV2)와 같은 기본 모델들은 비교적 좋은 성능을 보이지만, 조명 변화, 오클루즈, 모션 블러, 도구-조직 상호작용 등 고유의 수술 중 비디오 변동성으로 인해 제약을 받습니다22,23. 이러한 한계는 소수 계층에서 정확도 저하, 낮은 기억력, 불안정한 예측을 초래했습니다. 모션 안정화, 조명 정규화, GAN 기반 인공물 억제 등 고급 전처리 전략을 통합함으로써, 제안된 방식은 일관되고 고품질의 입력을 보장하여 이후 단계에서의 오류 누적을 크게 줄입니다11,12
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
저자들은 공개할 이해 상충이 없습니다.
저자들은 필요한 기관적 지원과 자원을 제공해 준 북쓰촨 의과대학에 감사의 뜻을 전합니다. 수술 중 현미경 영상 수집에 도움을 주신 광위안 중앙병원 임상 직원분들께 특별히 감사드립니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 고성능 워크스테이션 | NVIDIA Corporation, 미국 | RTX-A6000 | 모델 훈련에 사용; 48GB VRAM GPU에 인텔 코어 i9 CPU와 128GB RAM을 탑재했습니다 |
| 파이썬 (v3.10) | 파이썬 소프트웨어 재단 | 오픈 소스 | 모델 개발 및 실험을 위한 핵심 프로그래밍 언어 |
| 텐서플로우 (v2.15) | 구글 리서치 | 오픈 소스 | cGAN 전처리 및 트랜스포머 분류기 구현에 사용되는 프레임워크 |
| 파이토치 (v2.2.0) | 메타 AI | 오픈 소스 | GCN 및 적응형 해바라기 최적화 모듈 구현에 사용됨 |
| CUDA 툴킷 (v12.1) | 엔비디아 코퍼레이션 | CUDA-12.1 | 모든 딥러닝 연산에 GPU 가속을 제공합니다 |
| 조건부 생성적 적대 네트워크 (cGAN) | Pix2Pix 프레임워크에서 각색함 | 해당 없음 | 비디오 향상 및 전처리 중 아티팩트 제거에 사용됩니다 |
| 광유량 추정기(RAFT) | 티드 & 덩 (ECCV 2020) | 해당 없음 | 사전 처리 중 프레임 간 시간 일관성 보장 |
| 등고선 적응 분할(CAS) 모델 | 맞춤형 구현 | 해당 없음 | 유리체 절제 영상에서 정확한 경계 분할을 위한 수정된 능동 윤곽 모델 |
| 동적 그래프 컨볼루션 네트워크(GCN) | 맞춤형 구현 (Kipf & 웰링, 2017) | 해당 없음 | 비디오 특징 노드 간의 시공간적 관계를 추출합니다 |
| 적응형 해바라기 최적화 알고리즘(ASFO) | 맞춤형 구현 | 해당 없음 | 최적화된 특징 선택 및 차원 축소에 사용됩니다 |
| 트랜스포머 인코더 모델 | 맞춤형 구현 (Vaswani 등, 2017 기준) | 해당 없음 | 시공간적 주의력 풀링을 통한 최종 수술 후 합병증 분류에 사용됩니다 |
| Matplotlib (v3.8) | 파이썬 소프트웨어 재단 | 오픈 소스 | 성과 지표와 그래프 시각화에 사용됩니다 |
| 시본 (v0.13) | 파이썬 소프트웨어 재단 | 오픈 소스 | 고급 시각화 및 통계 그래픽에 사용됩니다 |
| 아담 옵티마이저 | 텐서플로우 내장 | 해당 없음 | 모델 훈련에 사용; 학습률 = 1e-4, & beta; 1=0.9, β 2=0.999 |
| 손실 기능 스위트 (L_adv, L_l1, L_perc, L_temp, L_G) | 맞춤형 구현 | 해당 없음 | GAN 훈련을 위한 적대적, 지각, 픽셀, 시간 손실을 정의합니다 |
| 운영 체제 | 우분투 리눅스 22.04 LTS | 해당 없음 | 딥러닝 실험을 위한 기본 환경 |
| 평가 지표 패키지 | Scikit-Learn (v1.5.0) | 오픈 소스 | 정확도, 정밀도, 호출율, F1 점수, AUC, mIoU 계산에 사용됩니다. |
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청
허가 요청