Improving Automated Wound Assessment Using Joint Boundary Segmentation and Multi-Class Classification Models

논문 요약: 자동화된 상처 평가를 위한 결합 경계 분할 및 다중 클래스 분류 모델 개선 (Tusar et al., 2025)

이 논문은 만성 및 급성 상처 관리에서 임상적 의사결정을 지원하기 위해, YOLOv11 아키텍처를 기반으로 한 딥러닝 모델을 제안합니다. 기존 연구들이 특정 상처 유형에 국한되거나 분할 (Segmentation) 과 분류 (Classification) 중 하나의 작업만 수행하는 한계를 극복하고, **상처 경계 분할 (WBS)**과 **다중 클래스 상처 분류 (WC)**를 동시에 수행하는 통합 시스템을 개발했습니다.

---

1. 연구 배경 및 문제 제기 (Problem)

• 임상적 필요성: 만성 상처 (당뇨발궤양, 욕창, 정맥성 궤양 등) 와 급성 상처 (화상, 수술부위 등) 의 정확한 평가는 치료 계획 수립과 회복 모니터링에 필수적입니다.
• 기존 방법의 한계: 현재 임상 현장에서는 육안 검사와 자/트레이싱을 사용하는데, 이는 주관적이며 시간 소모가 크고 관찰자 간 편차가 큽니다.
• AI 모델의 제약: 기존 딥러닝 기반 연구들은 대부분 다음과 같은 문제를 안고 있습니다.
  • 제한된 데이터: 특정 상처 유형 (예: 당뇨발궤양만) 에만 집중하여 5 가지 주요 유형을 모두 포함하는 데이터셋이 부족함.
  • 단일 작업: 분할과 분류를 분리하여 수행하거나, 분류만 수행하여 상처 크기와 형태를 정량화하지 못함.
  • 일반화 부족: 다양한 조명, 피부색, 상처 심각도 (특히 화상과 같은 시각적 특징이 모호한 경우) 에서 성능이 떨어짐.
  • 계산 비용: 고사양 모델은 모바일이나 현장 (Point-of-Care) 환경에서 배포하기 어려움.

2. 방법론 (Methodology)

가. 데이터셋 구축 및 전처리

• 데이터 수집: 공개 소스 (GitHub, Roboflow, Kaggle 등) 와 임상 검증 데이터를 활용하여 총 2,963 개의 고품질 비식별 상처 이미지를 수집했습니다.
• 상처 유형: 5 가지 주요 임상적 상처 유형을 포함합니다.
  1. 화상 (Burn Injury, BI)
  2. 욕창 (Pressure Injury, PI)
  3. 당뇨발궤양 (Diabetic Foot Ulcer, DFU)
  4. 혈관성 궤양 (Vascular Ulcer, VU)
  5. 수술부위 상처 (Surgical Wound, SW)
• 데이터 증강 (Augmentation): 모델의 일반화 성능을 높이고 특히 화상 (BI) 과 같이 경계가 모호한 경우를 학습시키기 위해 회전, 반전, 밝기/채도/노출 변형 등을 적용하여 데이터 크기를 7,147 개로 확장했습니다.
• 평가 방식: 편향을 줄이기 위해 **계층적 5 폴드 교차 검증 (Stratified 5-fold Cross-Validation)**을 수행했습니다.

나. 모델 아키텍처 (YOLOv11)

• 기반 모델: 2024 년 10 월 Ultralytics 에서 출시한 최신 객체 탐지 및 인스턴스 분할 모델인 YOLOv11을 사용했습니다.
• 주요 특징:
  • C3k2 블록: YOLOv8 의 C2f 블록을 대체하여 파라미터 수를 줄이면서도 다중 스케일 특징 추출 효율을 높였습니다.
  • C2PSA (Convolutional block with Parallel Spatial Attention): 중요한 영역에 집중하여 분할 정확도를 향상시킵니다.
  • 다중 태스크 학습: 하나의 모델로 **경계 분할 (마스크 생성)**과 클래스 분류를 동시에 수행합니다.
• 변형 모델 비교: Nano(n), Small(s), Medium(m), Large(l), Extra-large(x) 등 5 가지 YOLOv11 변형 모델을 비교하여 정확도와 계산 비용 간의 최적 균형을 찾았습니다.

3. 주요 기여 (Key Contributions)

1. 포괄적인 데이터셋 개발: 5 가지 주요 상처 유형에 대한 경계 분할 (WBS) 과 분류 (WC) 를 모두 포함하는 대규모 데이터셋을 구축했습니다.
2. 동시 수행 아키텍처: 동일한 이미지에서 상처 경계를 픽셀 단위로 분할하고 상처 유형을 분류하는 통합 딥러닝 시스템을 최초로 제안했습니다.
3. 데이터 증강 전략 적용: 조명 및 기하학적 조건 변화에 강건한 특징을 학습시키기 위한 체계적인 증강 기법을 적용하여 모델 성능을 극대화했습니다.
4. 모델 효율성 분석: YOLOv11 의 다양한 변형 모델을 비교 분석하여, 고성능 (YOLOv11x) 과 경량화 (YOLOv11n) 사이의 트레이드오프를 명확히 제시했습니다.

4. 실험 결과 (Results)

가. 데이터 증강의 효과

• 증강 전후 비교에서 모델 성능이 크게 향상되었습니다. 특히 시각적으로 모호한 **화상 (BI)**의 탐지 정확도가 크게 개선되었습니다.
  • WBS (분할): YOLOv11n 기준 정밀도 (Precision) 0.8936 → 0.9263, 재현율 (Recall) 0.8478 → 0.9307, mAP50 0.9183 → 0.9587.
  • WC (분류): 정밀도 0.8701 → 0.8808, 재현율 0.8216 → 0.8415, mAP50 0.8791 → 0.9024.

나. 모델 변형별 성능 비교

• 최고 성능: YOLOv11x가 가장 높은 성능을 보였습니다.
  • WBS F1-score: 0.9341, WC F1-score: 0.8736.
  • mAP50 (분할): 0.9629, mAP50 (분류): 0.9194.
• 경량 모델: YOLOv11n은 YOLOv11x 대비 학습 시간이 1/4 수준으로 짧으면서도 경쟁력 있는 성능 (WBS F1: 0.9285, WC F1: 0.8607) 을 보여 모바일 및 현장 배포에 적합함을 입증했습니다.
• 혼동 행렬 분석: SW(수술부위) 와 PI(욕창) 분류는 매우 정확했으나, BI(화상) 와 VU(혈관성 궤양) 는 피부색과 유사하여 분류가 어려웠으나, 증강을 통해 오분류율이 감소했습니다.

다. 기존 모델 대비 우위성

• 분류 모델 비교: VGG16, AlexNet, ResNet101 등 기존 CNN 모델보다 YOLOv11 이 모든 지표에서 우월한 성능 (F1-score 0.8767) 을 보였습니다.
• 분할 모델 비교: DeepLabV3, UNet, Mask R-CNN 등 기존 분할 모델보다 높은 정밀도와 재현율을 달성했습니다.
• ROC 곡선: 모든 클래스에서 AUC가 0.96 이상 (SW 는 1.00) 으로 높은 판별 능력을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 가치: 이 연구는 단일 모델로 상처의 **정량적 크기 측정 (분할)**과 **진단 (분류)**을 동시에 수행할 수 있음을 보여주어, 임상 의사결정 지원 시스템 (CDSS) 의 실용성을 높였습니다.
• 실시간 및 현장 적용 가능성: YOLOv11n 과 같은 경량 모델을 통해 제한된 컴퓨팅 자원을 가진 모바일 기기나 현장 장비에서도 실시간 상처 분석이 가능함을 입증했습니다.
• 향후 과제: 데이터셋의 다양성 (피부색, 연령 등) 확대, 임상 메타데이터 (위치, 병력) 통합, 생성형 AI 를 활용한 데이터 증대, 그리고 임베디드 시스템 최적화 및 해석 가능성 (Interpretability) 향상이 향후 연구 과제로 제시되었습니다.

결론적으로, Tusar et al. (2025) 의 연구는 YOLOv11 기반의 통합 딥러닝 모델이 다양한 상처 유형에 대해 높은 정확도와 견고성을 가지며, 자동화된 상처 평가 시스템의 새로운 표준을 제시할 수 있음을 입증했습니다.