earticle

영어

As the demand for precision and efficiency in medical diagnosis increases, image-based diagnostic technologies are gaining attention as a key means to improve quality of life. In particular, image segmentation, which enables precise identification of organs and lesions to assist diagnosis and treatment planning, is being actively studied for clinical applicability. This paper reviews the development of medical image segmentation techniques over the past decade and analyzes their use in real-world clinical settings. Segmentation approaches are categorized into three model families: convolutional neural networks (CNN), transformers, and foundational models. We examine each model family’s technical features and clinical use cases, and compare them in terms of implementation requirements and usability. These technologies are expected to support diagnosis, treatment planning, and intraoperative image analysis, ultimately contributing to improved quality of life.

한국어

의료 진단의 정밀성과 효율성이 요구됨에 따라, 영상 기반 진단 기술은 삶의 질을 향상하는 핵심 수단 으로 주목받고 있다. 특히 이미지 분할(segmentation) 기술은 장기나 병변을 정밀하게 식별하여 진단과 치료 계 획 수립에 실질적인 도움을 줄 수 있으며, 다양한 임상 환경에서의 활용 가능성을 바탕으로 활발히 연구되고 있다. 본 논문은 최근 10여 년간 의료 영상 분할 기술의 발전 흐름을 구조별로 정리하고, 각 기술이 실제 임상 환경에서 어떻게 활용되고 있는지를 분석하였다. 이미지 분할 접근은 합성곱 신경망(convolutional neural network), 트랜스포머, 파운데이션 기반 모델의 세 계열로 구분하고, 각 구조의 기술적 특징과 대표적인 임상 적용 사례를 체계적으로 고찰하였다. 또한 각 모델이 임상에 적용되기 위해 요구되는 조건이나 사용 편의성 측 면에서 어떤 차이가 있는지도 함께 살펴보았다. 추후, 이러한 기술은 진단 보조, 치료 설계, 수술 중 실시간 영 상 분석 등 다양한 방식으로 의료 현장에 적용될 수 있으며, 삶의 질 향상을 실현하는 데 중요한 역할을 할 것 으로 기대된다.