의료 영상 합성을 위한 범용 텍스트 안내 모델
심층 학습은 강력한 성능을 위해 방대한 데이터를 요구하지만, 환자 프라이버시 문제로 인해 의료 분야에서는 데이터 확보가 어려운 경우가 많습니다. 의료 영상 생성 모델을 통한 합성 데이터는 이러한 문제에 대한 해결책을 제시할 수 있으나, 기존 모델들은 특정 작업에 국한되거나 비공개 데이터셋으로 훈련되어 확장성과 재현성에 한계가 있었습니다. 본 연구는 이러한 한계를 극복하고자 공개 데이터만을 활용하여 훈련된 개방형 범용 텍스트 안내 잠재 확산 모델인 MediSyn을 제안합니다. MediSyn은 6개 의료 전문 분야와 10개 영상 모달리티에 걸쳐 이미지를 생성할 수 있습니다. 연구 결과, MediSyn과 같은 범용 모델이 여러 전문 분야에서 특정 작업 모델과 유사한 품질의 이미지를 생성할 수 있음을 확인했습니다. 또한, 범용 접근 방식이 다수의 특정 작업 모델을 사용하는 것보다 계산 효율성이 높으며, 시각적·의학적으로 구별되는 모달리티 전반에 걸쳐 사실적이고 텍스트에 부합하는 이미지를 생성함을 입증했습니다. 합성 이미지는 훈련에 사용된 실제 이미지와 시각적으로 구별되며, 데이터가 제한적인 환경에서 분류기 성능을 향상시키는 데 기여했습니다. 이러한 발견은 범용 이미지 생성 모델이 의료 알고리즘 연구 및 개발을 가속화할 잠재력을 가지고 있음을 시사합니다.