시뮬레이션 채혈 절차를 위한 다중 객체 폴리곤 라벨 데이터셋

초록

본 논문은 훈련용 팔에 대한 시뮬레이션 채혈 과정을 촬영한 고해상도 비디오에서 추출한 11 884장의 이미지와, 주사기, 고무밴드, 소독제 티슈, 장갑, 훈련 팔 5개 클래스에 대한 폴리곤 세그멘테이션 라벨을 제공한다. SSIM 기반 중복 제거와 자동 얼굴 블러링을 거쳐 데이터 품질을 확보했으며, YOLOv8 형식으로 내보내어 학습·검증·테스트 70/15/15 비율로 분할하였다. 의료 교육 자동화와 인간‑객체 상호작용 연구에 활용될 수 있다.

상세 분석

이 데이터셋은 의료 현장에 적용 가능한 객체 검출·세그멘테이션 모델 개발을 목표로 설계되었으며, 몇 가지 핵심 기술적 선택이 눈에 띈다. 첫째, 원본 비디오는 1920 × 1080 픽셀, 30 FPS의 고정된 삼각대 카메라로 촬영돼 조명 조건과 카메라 각도가 제한된 환경을 제공한다. 이는 라벨링 일관성을 높이는 동시에 실제 임상 환경과의 도메인 차이를 야기할 수 있다. 둘째, 프레임 선택 단계에서 구조적 유사도 지수(SSIM) 임계값 0.95를 적용해 중복 프레임을 제거함으로써 데이터 양을 효율적으로 축소했으며, 이는 모델 학습 시 과적합 위험을 감소시키는 장점이 있다. 셋째, 얼굴 익명화는 Python face_recognition과 OpenCV Gaussian blur를 이용해 자동화했으며, 남은 프레임에 대한 개인 식별 위험을 최소화한다.

라벨링 과정은 8 743장의 골드 스탠다드 이미지를 전문가가 수작업으로 폴리곤을 그린 뒤, 이를 기반으로 초기 세그멘테이션 모델을 학습시켜 나머지 이미지에 자동 라벨을 생성하고, 전수 검수·수정을 거친다. 이때 사용된 툴은 Roboflow 3.0이며, 폴리곤 좌표는 YOLOv8이 요구하는 정규화된 (0‑1) 형식으로 저장된다. 라벨 품질 검증은 시각적 QA, 클래스 일관성 체크, 그리고 YOLOv8을 이용한 150 epoch 학습 후 precision·recall·mAP50·mAP50‑95 지표를 모니터링함으로써 수행되었다. 특히, box_loss, cls_loss, seg_loss, dfl_loss 네 가지 손실이 안정적인 수렴을 보였으며, 이는 라벨링 정확도가 모델 학습에 충분히 기여함을 의미한다.

데이터셋 구조는 data.yaml 파일에 클래스명과 경로 정보를 명시하고, train/val/test 폴더에 각각 이미지와 대응 라벨을 배치한다. 이미지 해상도는 긴 변을 640 픽셀로 축소하고 종횡비를 유지했으며, 패딩은 적용하지 않아 사용자가 필요에 따라 프레임워크에 맞게 전처리할 수 있다.

제한점으로는 시뮬레이션 환경 특성상 배경 다양성, 조명 변동, 손 자세 및 도구 위치 변동이 실제 임상 상황보다 제한적이라는 점이다. 또한, 시간적 라벨(절차 단계)이나 추가 도구(예: 혈액 채취 기계) 라벨이 포함되지 않아 시퀀스 모델링에는 별도의 어노테이션이 필요하다. 향후 버전에서는 다중 카메라 시점, 다양한 연령·피부톤의 실험자, 추가 클래스 및 단계 라벨을 도입해 데이터의 일반화 능력을 강화할 계획이다.

전반적으로 이 데이터셋은 의료 교육용 AI 모델, 특히 인간‑객체 상호작용(HOI) 분석, 도구 검출, 절차 단계 인식 등에 바로 적용 가능한 고품질 폴리곤 라벨을 제공한다는 점에서 의미가 크며, YOLOv8 호환 포맷 덕분에 연구 진입 장벽을 크게 낮춘다.