같은 MRI 데이터라도 공급업체나 센터 간의 차이로 인해 서로 다른 특성을 지닐 수 있다. 이러한 차이는 이미지 품질, 해상도, 노이즈 수준 등의 차이로 나타나며, 이는 결국 진단 결과에 영향을 미치는 중요한 요소로 작용한다. 기존의 파이프라인은 이러한 도메인 차이에 따른 문제를 완전히 해결하지 못하고 있으며, 이로 인해 임상적으로 사용할 때 큰 제약이 발생한다. 따라서 다양한 환경에서 일관된 성능을 보장할 수 있는 새로운 접근법이 요구된다.

본 연구에서는 도메인 일반화(Domain Generalization, DG) 기법을 적용하여 심장 MRI 세그멘테이션 모델의 도메인 적응성을 향상시키고, 다양한 환경에서도 안정적인 성능을 유지하도록 한다. 도메인 일반화 기법은 원본 도메인과 목표 도메인 간의 차이를 최소화하여, 모델이 특정 도메인에 종속되지 않고 다양한 환경에서 안정적으로 작동할 수 있도록 한다. 또한, 세그멘테이션 결과를 활용하여 심장 모션을 분석하는 모션 플로우 네트워크를 도입하고, feature extraction 기반 학습 기법을 적용함으로써 효과적인 특징 추출이 가능하도록 하였다.

또한, 개발된 모델을 통해 임상적 지표를 효과적으로 추출하고, 이를 바탕으로 심혈관 질환 분류를 수행한다. 이 과정에서 각 단계의 성능을 평가하고 최적화하여 실제 임상에서 유용하게 활용될 수 있는 시스템이 구축된다. 궁극적으로 본 연구는 심장 질환 진단의 정확성을 높이고, 다양한 의료 환경에서의 신뢰성을 확보하는 데 중요한 역할을 할 것으로 기대된다.