뼈와 연부 조직의 의미적 관계를 활용한 3D MRI 무릎 연골 자동 분할

무릎 연골은 골관절염 진단 및 치료 계획에 핵심적인 역할을 하지만, 얇고 불규칙한 형태, 낮은 대비, 그리고 강한 인접 조직(근육·반월판)과의 혼합으로 인해 자동 분할이 어려운 문제이다. 기존 방법들은 뼈‑연골 인터페이스(BCI)를 먼저 분류하고 그 결과를 연골 분할에 활용했지만, BCI 분류 오류가 최종 결과에 크게 영향을 미치는 단점이 있었다. 본 논문은 이러한 중간 단계 없이 뼈와 연골 사이의 공간적 제약을 직접 모델링하고, 연골 간의 의미적 관계를 반복 학습을 통해 강화하는 새로운 프레임워크를 제시한다. 1. **뼈 분할** - 학습 기반 뼈 분할 파이프라인을 사용한다. 먼저 마진얼 스페이스 러닝(MSL)으로 뼈의 위치·회전·스케일을 추정하고, 평균 형태 모델을 초기화한다. - 이후 코히런트 포인트 드리프트(CPD)와 랜덤 워크(Random Walks) 알고리즘을 통해 형태를 미세 조정하고, 최종적으로 뼈 표면에 수천 개의 해부학적 랜드마크를 균일하게 배치한다. 이 랜드마크는 이후 연골 분할 단계에서 거리 특징으로 활용된다. 2. **연골 분류를 위한 특징 설계** - **강도 특징**: 원본 voxel intensity I(x)와 gradient magnitude ‖∇I(x)‖. - **거리 특징**: 뼈 표면까지의 부호 거리 d_F, d_T, d_P와 이들의 합·차 (d_F±d_T, d_F±d_P). 이러한 조합은 voxel이 두 뼈 사이에 위치하는지, 어느 뼈에 더 가까운지를 나타낸다. - **랜드마크 거리 특징**: f₁₀(x,ζ)=‖x−z_ζ‖ 로, ζ는 뼈 표면에 있는 랜드마크 인덱스이며, 학습 시 무작위로 선택한다. 이는 voxel이 뼈 표면의 어느 해부학적 부위에 해당하는지를 정량화한다. - **랜덤 시프트 강도 차이(RSID)**: f₁₁(x,u)=I(x+u)−I(x) 로, u는 무작위 오프셋. 다양한 스케일의 주변 강도 차이를 포착한다. 3. **반복적 의미적 컨텍스트 포레스트** - 첫 번째 패스에서는 위의 기본 특징만을 사용해 다중 클래스 랜덤 포레스트를 학습한다. 결과로 각 연골(대퇴, 경골, 슬개) 및 배경에 대한 확률 맵 P_F, P_T, P_P가 생성된다. - 두 번째 패스에서는 이 확률 맵을 새로운 특징으로 활용한다. 랜덤 시프트 확률 차이(RSPD) f₁₅₋₁₇(x,u)=P_(·)(x+u)−P_(·)(x) 를 계산해, voxel 간의 의미적 연관성을 학습한다. RSPD는 “연골 A가 연골 B보다 더 높은 확률을 갖는 위치”와 같은 정보를 제공한다. - 두 번의 패스만으로도 성능이 크게 향상되며, 추가 패스는 수렴 효과가 미미함을 실험적으로 확인한다. 4. **후처리: 다중 라벨 그래프 컷** - 최종 확률 맵을 데이터 비용 D_x(l)=−λ ln P_l(x) 로 변환하고, 인접 voxel 간의 강도 차이를 이용한 스무스 비용 V_{x,y}를 정의한다. - 전체 에너지 E(L)=∑_{(x,y)∈N}V_{x,y}(l(x),l(y)) + ∑_x D_x(l(x)) 를 최소화하는 그래프 컷을 수행해 연골 경계의 잡음과 작은 구멍을 제거한다. 5. **실험 및 결과** - 데이터: OAI 프로젝트의 3T DESS MR 이미지 176볼륨(88명, 각 2년 차이) 사용. 각 볼륨은 384×384×160 voxel, voxel 크기 0.365×0.365×0.7 mm³. - 평가: 3‑fold 교차 검증, Dice Similarity Coefficient(DSC) 사용. - 뼈 분할: 랜덤 워크 후 평균 DSC 94.86 % (대퇴), 95.96 % (경골), 94.31 % (슬개). - 특징 중요도 분석: RSID, RSPD, 랜드마크 거리 특징이 가장 많이 선택되었으며, 특히 랜드마크 거리 특징은 연골‑뼈 공간 제약을 효과적으로 반영한다. - 비교: 기존 방법(예: Voxel‑KNN, AAM, ASM 기반) 대비 동일 데이터셋에서 직접 비교는 어려우나, 보고된 DSC와 비교했을 때 전반적으로 높은 정확도를 보인다. Patella의 DSC가 상대적으로 낮은 이유는 부피가 작고 라벨 일관성이 떨어지기 때문이다. 6. **논의 및 한계** - 장점: BCI 단계 제거로 오류 전파를 방지하고, 뼈 표면 랜드마크를 활용해 공간 제약을 정밀히 모델링한다. 의미적 컨텍스트를 반복 학습에 통합함으로써 연골 간의 해부학적 관계를 자동으로 학습한다. - 제한점: 랜드마크 수가 많아 메모리와 연산량이 증가하고, 작은 연골(특히 Patella)에서의 성능 저하가 관찰된다. 또한, 그래프 컷 파라미터 λ, σ에 대한 민감도가 존재한다. 7. **결론** - 본 연구는 뼈와 연골 사이의 의미적 관계를 활용한 3D MR 무릎 연골 자동 분할 방법을 제안한다. 거리 특징과 의미적 컨텍스트 포레스트를 결합해 높은 정확도와 견고성을 달성했으며, 대규모 OAI 데이터셋에서도 일관된 성능을 보였다. 향후 경량화된 랜드마크 선택, 작은 연골에 특화된 손실 함수, 그리고 딥러닝 기반 확률 맵 생성과의 하이브리드 모델을 탐색함으로써 실시간 임상 적용 가능성을 높일 수 있을 것이다.