밀도 조직 마스크를 활용한 유방 밀도 자동 정량화

본 논문은 디지털 유방 촬영술(DM) 이미지에서 유방 밀도를 자동으로 정량화하고, 밀도 조직의 공간적 분포를 시각화하는 새로운 약한 지도 학습 프레임워크를 제안한다. 기존 임상에서는 BI‑RADS와 같은 등급 체계를 사용해 이미지 전체에 대한 밀도 수준만을 평가한다. 그러나 이러한 등급은 주관적이며, 실제 밀도 조직이 어디에 위치하는지에 대한 정보를 제공하지 못한다. 저자들은 이러한 한계를 극복하기 위해, 이미지‑레벨 라벨만을 이용해 픽셀‑레벨 마스크를 동시에 학습하는 방법을 고안하였다. ### 1. 연구 배경 및 목표 - 유방 밀도는 유방암 위험도와 영상 판독 난이도에 직접적인 영향을 미치는 중요한 바이오마커이다. - 현재 임상에서는 BI‑RADS 4‑class 등급을 사용하지만, 이는 정량적 밀도 비율을 제공하지 못하고, 밀도 조직의 위치 정보를 전혀 제공하지 않는다. - 따라서, 자동화된 시스템이 (i) 연속적인 밀도 퍼센트를 예측하고, (ii) 밀도 조직이 차지하는 픽셀 영역을 마스크 형태로 제공하는 것이 필요하다. ### 2. 방법론 #### 2.1 데이터 및 라벨링 - 학습/테스트 데이터는 각각 1,232장, 370장의 디지털 유방 촬영술 이미지이며, 각 이미지에 대해 BI‑RADS 등급(4‑class)만 제공된다. - 라벨링 비용을 최소화하기 위해 이미지‑레벨 라벨만 사용한다. #### 2.2 12‑class 밀도 그리드 - 기존 4‑class BI‑RADS 대신 12‑class 밀도 그리드를 도입해 밀도 비율을 더 세밀하게 표현한다. - 각 클래스는 0‑100% 사이를 균등하게 나누어, 회귀 손실을 적용할 수 있도록 설계하였다. #### 2.3 모델 아키텍처 - 기본 구조는 U‑Net이며, 출력 채널을 두 개(M_dense, M_fat)로 구성한다. - 입력 이미지 I와 이진 유방 마스크 S_breast를 곱해 배경을 제거하고, 모델이 유방 영역에만 집중하도록 한다. - 활성화 함수는 Softmax와 ReLU 두 가지 변형을 실험했으며, 최종 모델은 ReLU + 제안 손실(L) 조합이 가장 좋은 성능을 보였다. #### 2.4 손실 함수 설계 - **마스크‑밀도 연계 손실(L₁)**: 모델이 출력한 M_dense의 면적(픽셀 수)을 전체 유방 면적에 대한 비율로 변환하고, 이를 이미지‑레벨 목표 밀도 퍼센트와 L2 차이로 최소화한다. - **회귀 손실(L₂)**: 12‑class 그리드에 대한 크로스엔트로피 혹은 MSE 손실을 적용한다. - 최종 손실은 L = α·L₁ + β·L₂ 형태로 가중합한다. 이 설계는 마스크가 전역 밀도 라벨과 직접적인 수학적 관계를 갖게 하여, 약한 지도 상황에서도 공간적 일관성을 강제한다. ### 3. 실험 및 결과 #### 3.1 회귀 성능 - 제안 모델(U‑Net+ReLU+L)은 평균 절대 오차(MAE) 6.7%를 기록했으며, 최대 절대 오차(MxAE) 32.2%를 보였다. - 비교 모델인 VGG+Sigmoid+MSE는 MAE 6.5%이지만, 전반적인 C‑index와 정확도는 낮았다. #### 3.2 분류 성능 (4‑class BI‑RADS) - 제안 모델은 정확도 78%, 정밀도 80.9%, 재현율 77.9%, F1‑score 78.1%, Cohen’s κ 0.891을 달성했다. - VGG 기반 모델은 정확도 76.4%에 불과했으며, Softmax+L 변형은 68.4%로 성능 차이가 뚜렷했다. #### 3.3 세그멘테이션 성능 - 16장의 ROI에 대해 Dice coefficient 0.65를 기록하였다. 시각적으로도 밀도 조직이 실제와 유사하게 강조되는 결과를 확인했다. - Attention‑based 베이스라인과 비교했을 때, 제안 모델은 더 명확하고 일관된 마스크를 생성하였다. #### 3.4 외부 데이터셋 검증 (INBreast) - 추가 학습 없이 INBreast 데이터에 적용했을 때, 정확도 65%와 MAE 13%를 기록했다. 이는 기존 보고된 64.5%~67.8%와 동등하거나 약간 우수한 수준이다. ### 4. 논의 - **라벨 효율성**: 이미지‑레벨 라벨만으로도 픽셀‑레벨 마스크를 학습할 수 있다는 점은 라벨링 비용을 크게 절감한다. - **손실 설계의 일반성**: 마스크 면적과 전역 라벨을 직접 연결하는 손실은 다른 의료 영상 분야(예: 병변 검출, 장기 분할)에도 적용 가능할 것으로 보인다. - **제한점**: 현재는 2D DM 이미지에만 적용했으며, ROI 수가 제한적이어서 Dice 평가가 충분히 일반화되지 않을 수 있다. 또한, 12‑class 그리드가 실제 임상 BI‑RADS와 어떻게 매핑될지에 대한 추가 검증이 필요하다. ### 5. 향후 연구 방향 1. 다기관·다장비 데이터와 다양한 촬영 조건을 포함한 대규모 검증. 2. 3D 유방 MRI, 초음파 등 다모달 영상과의 융합을 통한 밀도 평가 확장. 3. 마스크 기반 위험도 예측 모델(예: 암 발생 가능성)과의 연계 연구. 4. 손실 함수에 정규화 항목(예: 형태학적 제약) 추가를 통한 마스크 품질 향상. ### 6. 결론 본 연구는 약한 지도 학습을 활용해 유방 밀도 회귀와 동시에 밀도 조직 마스크를 생성하는 새로운 접근법을 제시한다. 제안된 12‑class 그리드와 마스크‑밀도 연계 손실은 제한된 라벨 환경에서도 높은 회귀 정확도와 의미 있는 세그멘테이션 결과를 도출한다. 이는 임상에서 유방 밀도 평가를 보다 정량적이고 공간적으로 해석 가능하게 함으로써, 향후 자동화된 유방암 위험도 평가 시스템에 중요한 기반을 제공한다.