비소세포폐암(NSCLC)은 전체 폐암 중 85%의 높은 비중을 차지하며 사망률(22.7%)이 다른 암에 비해 현저히 높은 암으로 비소세포폐암 환자의 수술 후 예후에 대한 예측은 매우 중요하다. 본 연구에서는 종양을 관심영역으로 갖는 비소세포폐암 환자의 수술 전 흉부 CT 영상 패치의 종류를 종양 관련 정보에 따라 총 다섯 가지로 다양화하고, 이를 입력데이터로 갖는 사전 학습 된 ResNet 과 EfficientNet CNN 네트워크를 사용하여 단일 모델과 간접 투표 방식을 이용한 앙상블 모델, 그리고 3 개의 입력 채널을 활용한 앙상블 모델에서의 실험 결과 및 성능을 오분류의 사례와 Grad-CAM 시각화를 통해 비교 분석한다. 실험 결과, 종양 주변부 패치를 학습한 ResNet152 단일 모델과 EfficientNet-b7 단일 모델은 각각 87.93%와 81.03%의 정확도를 보였다. 또한 ResNet152 에서 총 3 개의 입력 채널에 각각 영상 패치, 종양 주변부 패치, 형상 집중 종양 내부 패치를 넣어 앙상블 모델을 구성한 경우에는 정확도 87.93%를, EfficientNet-b7 에서 간접 투표 방식으로 영상 패치와 종양 주변부 패치 학습 모델을 앙상블 한 경우에는 정확도 84.48%를 도출하며 안정적인 성능을 보였다.

본 논문에서는 특징 추출 하모닉 필드(harmonic field)와 비등방 측지선(anisotropic geodesic)을 이용하여 메쉬의 특징 영역을 분할하는 새로운 기법을 제안한다. 기존 대부분의 메쉬 분할 기법들은 경계 영역에 대한 사용자의 명시적인 입력을 요구하지만, 제안된 기법에서는 사용자가 관심 영역의 임의의 정점을 선택하여 직관적이고 편리하게 특징 영역을 분할한다. 사용자가 선택한 정점을 중심으로 오목한(concave) 영역에서 큰 변화를 갖는 하모닉 필드를 생성한다. 생성된 하모닉 필드에서 하나의 등위선(isoline)을 선택하여 초기 분할 경계선을 정하고, 선택된 등위선에서 최적의 특징점을 추출하여 비등방 측지선으로 연결함으로써 최종적인 분할 경계선을 생성한다. 다양한 실험을 통해 제안된 기법이 사용자의 입력에 민감하지 않으며, 특징 영역 분할에 효과적으로 사용될 수 있음을 보인다.