통합 경계 분할·다중 클래스 분류를 위한 YOLOv11 기반 상처 자동 평가 시스템

초록

본 연구는 5가지 주요 상처 유형(화상, 욕창, 당뇨성 족부궤양, 혈관성 궤양, 수술 상처)을 대상으로, YOLOv11 모델을 이용해 경계 분할(WBS)과 유형 분류(WC)를 동시에 수행하는 딥러닝 프레임워크를 개발하였다. 2,963장의 균형 잡힌 데이터셋을 구축하고, 회전·플립·밝기·채도·노출 변환을 통한 데이터 증강으로 특히 화상 검출 성능을 크게 향상시켰다. YOLOv11x가 F1‑score 0.9341(분할)·0.8736(분류)로 최고 성능을 보였으며, 경량형 YOLOv11n은 유사한 정확도와 낮은 연산량으로 모바일·POC 환경에 적합함을 확인했다.

상세 분석

이 논문은 임상 현장에서 요구되는 두 가지 핵심 과제, 즉 상처 경계의 정확한 픽셀‑레벨 분할과 상처 유형의 이미지‑레벨 분류를 하나의 모델에서 동시에 해결하려는 시도이다. 기존 연구들은 보통 하나의 작업에 집중하거나, 특정 상처 유형에만 초점을 맞추어 데이터 불균형과 일반화 한계에 시달렸다. 저자들은 이러한 문제점을 극복하기 위해 다음과 같은 전략을 채택하였다. 첫째, 5가지 상처 유형을 모두 포함하는 2,963장의 고품질 이미지를 수집·전처리하고, 각 이미지에 픽셀‑단위 경계 마스크와 클래스 라벨을 동시에 부여함으로써 ‘멀티‑태스크’ 학습이 가능한 데이터셋을 구축했다. 둘째, 원본 데이터에 회전(90°), 수평·수직 플립, 밝기(±15%), 채도(±25%), 노출(±10%) 변화를 적용해 총 7,147장의 증강 데이터를 생성하였다. 이는 특히 화상(BI)처럼 시각적 변이가 큰 클래스의 특징을 다양하게 학습하도록 돕는다. 셋째, 최신 YOLOv11 아키텍처를 기반으로 백본(C3k2 블록), 넥(SPPF·PA‑Net), 헤드(앵커‑프리 검출·프로토타입 기반 분할) 등을 활용해 경량화와 정확도 사이의 최적 균형을 추구했다. 모델은 복합 손실 함수(BCE·IoU·Cross‑Entropy·DFL·Task‑Aligned Assignor)를 사용해 분할과 분류 두 작업을 동시에 최적화했으며, NMS와 프로토타입 마스크 디코딩을 통해 중복 검출을 억제하고 깨끗한 인스턴스 마스크를 출력한다. 평가에서는 5‑폴드 교차 검증을 적용해 과적합을 방지하고, Precision·Recall·F1·AUROC·mAP50‑95 등 다양한 지표를 사용해 전반적인 성능을 정량화했다. 결과적으로 YOLOv11x는 WBS에서 mAP≈0.934, WC에서 F1≈0.874를 달성했으며, 경량형 YOLOv11n은 연산량이 4배 이하이면서도 F1 차이가 0.02 이하에 불과해 실시간 모바일 진단에 적합함을 입증했다. 또한, 혼동 행렬과 시각적 결과물을 통해 복잡한 배경·조명 변화와 높은 클래스 내 변이에도 강인함을 보였다. 종합적으로, 이 연구는 데이터 균형·증강, 멀티‑태스크 설계, 최신 경량 모델 적용이라는 세 축을 통해 임상 적용 가능성이 높은 상처 자동 평가 시스템을 제시한다는 점에서 의의가 크다.