모든 픽셀이 선택지다: 의료 초음파 계측을 위한 System One 모델

문제

초음파 계측(태아 머리둘레, 심장 치수 등)은 캘리퍼를 수동으로 찍어서 하기 때문에 검사자마다 결과가 달라진다. 기존 자동화 모델은 과제마다 별도 출력 헤드를 두어 새 계측으로 확장하기 어렵다. VLM이 좌표를 직접 출력하는 방식은 위치의 불확실성을 표현하지 못한다.

방법

Kev-Bio는 Kev 어댑터로 초기화한 Qwen3.5-0.8B에 초음파 이미지 토큰(Qwen 비전 인코더와 USFM), 뷰 설명, 계측 질문을 넣는다. 각 질문 끝의 <decide> 토큰 Hidden State를 결정 표현으로 쓰고, MLP와 끝점 임베딩으로 캘리퍼 끝점별 쿼리를 만든다. Qwen3.5, USFM, DINOv2 특징을 Pixel Neck으로 융합해 공용 고해상도 특징 지도를 만든다. 쿼리와 특징 지도의 내적에 공간 softmax를 적용해 확률 지도를 얻고, soft-argmax로 좌표를 계산한다. 계측값은 거리·각도·둘레 기하 함수로 구한다. 좌표 L1, 가우시안 히트맵 교차엔트로피, 계측 오차, 보조 회귀 손실을 함께 써서 End-to-End로 학습한다.

결과

• FU/GU Biometry 2026 데이터(9개 뷰, 6,743장)에서 5-fold 교차검증 결과, 평균 MRE 22.50px로 가장 강한 기준선 CAMS(23.88px)보다 낮았다.
• 임상 계측 평균 MAE는 15.38로, FMUB(17.47)보다 낮았다. 랜드마크 위치는 9개 뷰 중 8개, 계측값은 6개 뷰에서 가장 정확했다.
• 태아 머리(HC) 뷰에서 MRE가 IMPACT-L의 17.03px에서 13.76px로 줄었다.
• 확률 지도의 엔트로피를 불확실성 점수로 쓰면, 가장 불확실한 상위 10% 예측에 전체 오류의 40%가 들어 있었다(무작위 선택 시 10%). 오류 검출 AUROC는 심장 0.70, 산전 0.76, 분만 중 0.86이었다.

한계

공식 테스트 라벨을 쓸 수 없어 학습 세트에 대한 5-fold 교차검증으로만 평가했다. 데이터는 뷰별로 크게 불균형하다(IVC 38장, AoP 4,000장). 심장 뷰는 표본이 적다. 대퇴골 길이, 자궁경부 길이, 분만 진행 각도에서는 계측 오차가 다른 방법보다 약간 높았다. 제공된 라벨 없는 프레임 19만여 장은 사용하지 않았다.

의미

하나의 모델이 텍스트 질문만 바꿔 여러 초음파 계측을 처리하므로, 새 계측 과제를 추가하기가 상대적으로 쉽다. 확률 지도 기반 불확실성 점수는 임상의가 다시 확인해야 할 캘리퍼 위치를 골라주는 데 쓸 수 있어 실제 판독 보조에 의미가 있다.

핵심 용어

초음파 계측(Biometry)

초음파 영상의 해부학적 랜드마크에 캘리퍼를 찍어 거리·각도·둘레 같은 정량값을 재는 검사다.

System One 결정 모델

답을 Autoregressive로 생성하지 않고 후보 응답에 점수를 매겨 고르는 방식의 모델이다. 이 논문은 각 픽셀을 후보로 보고 점수를 매긴다.

Soft-argmax

확률 지도에서 위치의 기대값을 계산해 좌표를 구하는 미분 가능한 방법이다. End-to-End 학습이 가능해진다.

MRE(Mean Radial Error)

예측 랜드마크와 정답 랜드마크 사이 유클리드 거리의 평균이다. 이 논문에서는 픽셀 단위로 보고했다.

원문

• arXiv 초록
• PDF
• HTML 본문
• Hugging Face

저자: Moein Heidari, Junbo Rao, Yudan Chen, Yasamin Medghalchi, River Jiang, Wenjin Chen, David J. Foran, Jasmine Grewal, 외 · 게시 2026-11-02 · 라이선스 CC BY-NC-SA 4.0 · 본문 기준 분석

이 리뷰는 AI가 논문을 읽고 작성한 요약이며, 정확한 내용은 원문을 기준으로 확인해 주세요.