최소침습수술의 미래를 여는 AI: Feature-EndoGaussian (FEG)의 혁신

Feature-EndoGaussian (FEG) 모델은 최소침습수술(MIS) 분야에 혁신을 가져올 AI 기반 수술 장면 재구축 기술입니다. 실시간 성능과 높은 정확도를 동시에 달성하여 수술의 안전성과 효율성을 크게 향상시킬 것으로 기대됩니다.

최소침습수술(MIS)은 회복 시간 단축, 합병증 최소화, 정밀도 향상으로 의료 현장을 혁신했습니다. 하지만 간접적인 시각화와 정밀한 기구 조작에 의존하는 MIS의 고유한 어려움은 여전히 존재합니다. 이러한 문제 해결에 인공지능(AI)이 핵심적인 역할을 하고 있습니다.

최근 AI의 발전은 이미지 분류, 객체 탐지, 분할과 같은 기술을 통해 실시간 수술 장면 이해를 가능하게 했고, 특히 수술 장면 재구축은 수술 중 안내를 향상시키는 중요한 요소로 떠올랐습니다. 하지만 기존의 뉴럴 레이디언스 필드(NeRF)는 방대한 데이터와 느린 렌더링 속도로 실시간 성능에 한계를 보였습니다.

Kai Li, Junhao Wang, William Han, Ding Zhao 등 연구진은 이러한 문제를 해결하기 위해 Feature-EndoGaussian (FEG) 을 개발했습니다. FEG는 3D Gaussian Splatting (3DGS)을 기반으로 하여 2D 분할 정보를 3D 렌더링에 통합함으로써 실시간 의미론적 장면 재구축을 가능하게 한 혁신적인 모델입니다.

FEG의 핵심은 사전 훈련된 분할 기반 모델을 활용하여 가우시안 변형 프레임워크 내에 의미론적 특징 증류를 통합하는 것입니다. 이를 통해 재구축 정확도와 분할 정확도를 동시에 향상시켰습니다.

실제 성능은 놀랍습니다. EndoNeRF 데이터셋에서 FEG는 기존 최고 성능 모델을 뛰어넘는 결과를 보였습니다 (SSIM 0.97, PSNR 39.08, LPIPS 0.03). 또한 EndoVis18 데이터셋에서도 경쟁력 있는 클래스별 분할 지표를 달성하면서 모델 크기와 실시간 성능 간의 균형을 잘 맞췄습니다.

FEG는 단순한 기술적 발전을 넘어, 최소침습수술의 안전성과 효율성을 크게 향상시킬 잠재력을 지닙니다. 실시간으로 수술 장면을 정확하게 재구축하고, 의미론적으로 이해함으로써 의료진에게 더욱 정확하고 효과적인 수술을 위한 정보를 제공할 것입니다. 이는 의료 기술의 발전에 있어 획기적인 전환점이 될 것입니다. 향후 연구에서는 다양한 수술 환경과 더욱 복잡한 수술 절차에 대한 FEG의 적용 가능성을 탐구하는 것이 중요할 것입니다.