폐색전증 검출을 위한 무감독 도메인 적응 변환기 기반 세그멘테이션

본 논문은 폐색전증(PE) 진단을 위한 컴퓨터 보조 시스템에서 가장 큰 두 장애물인 도메인 쉬프트와 전문가 라벨링 비용을 동시에 해결하고자, 무감독 도메인 적응(Unsupervised Domain Adaptation, UDA) 프레임워크를 설계하였다. 핵심 아이디어는 최신 변환기(Transformer) 백본인 Mix Vision Transformer(MiT)를 사용해 장거리 의미적 종속성을 포착하고, Mean‑Teacher 구조를 통해 소스 도메인에서 학습된 모델을 타깃 도메인에 안정적으로 전이하는 것이다. 프레임워크는 세 가지 주요 모듈로 구성된다. 첫 번째는 Prototype Alignment(PA)로, 각 클래스(PE와 배경)의 프로토타입을 도메인 간 정렬시켜 카테고리 수준의 분포 차이를 최소화한다. 두 번째는 Global‑and‑Local Contrastive Learning(GLCL)이며, 모멘텀 큐를 활용해 대규모 네거티브 샘플을 효율적으로 관리하면서 픽셀‑레벨 토폴로지와 전역 의미를 동시에 학습한다. 이는 작은 혈전 병변 주변의 미세 구조를 보존하고, 클래스 불균형에 강인한 피처를 형성한다. 세 번째는 Attention‑based Auxiliary Local Prediction(AALP)이다. 변환기의 어텐션 맵에서 높은 정보량을 가진 슬라이스를 자동으로 선택하고, 해당 영역을 중심으로 로컬 피처를 추출함으로써 기존 무작위 크롭 방식이 놓치기 쉬운 작은 PE 병변을 효과적으로 포착한다. AALP는 로컬‑글로벌 피처 정합을 강화하고, 어텐션 기반 선택이므로 추가 라벨 없이도 병변 중심 영역을 강조한다. 실험은 두 개의 공개 CTPA 데이터셋(FUMPE와 CAD‑PE)과 다기관·다중 장비 환경을 모사한 교차 센터 적응, 그리고 CT와 MRI를 모두 포함하는 Multi‑Modality Whole Heart Segmentation(MMWHS) 데이터셋을 활용한 교차 모달리티 적응으로 구성되었다. 교차 센터 실험에서는 FUMPE→CAD‑PE와 CAD‑PE→FUMPE 두 방향 모두 IoU가 각각 0.1152→0.4153, 0.1705→0.4302로 크게 향상되었으며, Dice 점수 역시 유사하게 상승하였다. 교차 모달리티 실험에서는 CT→MRI 전이에서 Dice 69.9%를 달성했으며, 타깃 도메인 라벨을 전혀 사용하지 않고 모델 선택까지 수행한 점이 임상 적용 가능성을 크게 높인다. 비교 실험에서는 기존 이미지‑레벨 스타일 변환, adversarial feature alignment, 그리고 최신 Mean‑Teacher 기반 UDA 방법들과의 성능 차이를 검증하였다. 제안 방법은 특히 작은 PE 병변에 대한 민감도가 크게 개선되어, 기존 방법이 놓치기 쉬운 미세 혈전 검출에 강점을 보였다. 한계점으로는 변환기 기반 모델이 메모리와 연산량 측면에서 고사양 GPU를 필요로 하며, PA와 GLCL의 하이퍼파라미터 튜닝이 데이터셋마다 민감하게 작용할 수 있다는 점을 들 수 있다. 또한, 어텐션 맵 기반 AALP이 잡음이나 아티팩트에 의해 오탐을 일으킬 가능성도 존재한다. 향후 연구에서는 경량화된 변환기 설계, 어텐션 맵 신뢰도 추정, 다중 기관·다중 장비 데이터에 대한 확장 검증, 그리고 임상 워크플로우와의 통합을 목표로 해야 한다. 결론적으로, 본 연구는 변환기와 Mean‑Teacher를 결합한 UDA 프레임워크에 세 가지 구조적 정합 모듈을 추가함으로써, 라벨이 없는 타깃 도메인에서도 높은 정확도의 PE 세그멘테이션을 구현하였다. 이는 실제 임상 현장에서 다양한 스캐너와 프로토콜에 대응할 수 있는 강인한 자동 진단 도구로 활용될 가능성을 제시한다.