Deep learning-based systems in medical image analysis has encountered a significant limitation in the form of generalization errors in practical clinical applications. These errors, often due to insufficient labeled datasets covering the diverse spectrum of clinical conditions, limit the adaptability of these models across different clinical centers, vendors, and diseases. To address this challenge, my research aims to develop robust deep learning frameworks capable of mitigating overfitting and generalization issues. The primary focus of this work involves the development of generative model-based unsupervised learning framework for image segmentation. Moreover, the research delves into methodologies that enhance the generalizability of clinical decision support systems across diverse datasets. Additionally, the study explores the transfer of foundation model knowledge for more effective and generalized segmentation tasks and multi-modal clinical treatment plan delineation. This approach not only aims to address overfitting concerns but also enhance the precision and adaptability of deep learning models in medical imaging across varied clinical scenarios.
딥러닝 기반 시스템은 실제 임상 응용에서 일반화 오류라는 중대한 한계를 마주했습니다. 이러한 편향 오류는 의료 데이터셋의 부족으로 발생하며, 이는 딥러닝 모델의 실제 임상 적용 시 다양한 병원, 장비 및 질병에 대한 성능 저하를 야기합니다. 본 연구는 딥러닝 모델의 일반화 오류에서 발생하는 성능 저하를 완화할 수 있는 견고한 시스템을 개발하는 것을 목표로 하고 있습니다. 이 논문의 주요 초점은 이미지 분할을 위한 생성 모델 기반의 비지도 학습 시스템 개발에 있습니다. 더불어, 본 연구는 다양한 종류의 임상 현장 데이터셋에 대한 의사 결정 지원 시스템의 성능을 향상시키는 방법론을 탐구합니다. 또한, 이 연구는 거대 모델 지식의 전이를 탐구를 통해 보다 효과적인 이미지 분할 작업 및 다중 모달 임상 치료 계획 수립 시스템을 제안합니다. 결론적으로, 본 논문은 딥러닝 시스템의 일반화 오류 뿐만 아니라 다양한 임상 시나리오에서 딥러닝 모델의 정밀성과 적응성을 향상시키는 것을 목적으로 합니다.
