MRI 영상에서 벡터 양자화를 이용한 종양 검출 및 구분

초록

본 논문은 Linde‑Buzo‑Gray(LBG) 벡터 양자화 알고리즘을 활용해 MRI 영상의 조직을 동질적인 텍스처 영역으로 분할하고, 이를 기반으로 유방암 종양을 자동 검출한다. 초기 128개의 코드북을 생성한 뒤, 동일 알고리즘으로 8개의 클러스터로 재구성하여 8개의 분할 영상을 얻는다. 과도한(오버)·부족(언더) 세분화를 방지하고, 워터셰드와 GLCM‑엔트로피 기반 방법과 비교해 시각적·정량적 우수성을 보인다.

상세 요약

본 연구는 MRI 기반 유방암 진단에서 전처리 단계인 이미지 세분화의 정확성을 높이기 위해 벡터 양자화(VQ) 기법을 적용한 점이 혁신적이다. Linde‑Buzo‑Gray(LBG) 알고리즘은 원본 영상의 픽셀 벡터를 반복적으로 평균화·분할하여 최적의 코드북을 구성한다. 논문에서는 먼저 128개의 코드벡터를 생성함으로써 고해상도 텍스처 정보를 보존하고, 이후 동일 LBG 절차를 적용해 8개의 상위 클러스터로 압축한다. 이중 단계 클러스터링은 초기에 과다한 코드북이 초래할 수 있는 잡음 증폭을 억제하고, 최종 8개의 구역이 실제 조직 경계와 높은 상관성을 갖도록 설계되었다.

알고리즘 구현 측면에서, 저자들은 코드북 초기화에 K‑means++와 유사한 무작위 선택 방식을 사용해 지역 최소에 빠지는 위험을 감소시켰으며, 왜곡 측정으로 평균 제곱 오차(MSE)를 채택했다. 또한, 각 클러스터에 대한 색상 매핑을 통해 시각적 검증을 용이하게 하였으며, 결과 영상은 종양 부위가 명확히 구분되는 것을 확인할 수 있다.

비교 실험에서는 전통적인 워터셰드 분할과 회색 수준 공분산 행렬(GLCM) 기반 엔트로피 지도 방식을 선택하였다. 워터셰드 방식은 경계가 과도하게 세분화되어 잡음이 많이 포함되는 반면, GLCM‑엔트로피는 텍스처 차이를 반영하지만 복잡한 계산량과 파라미터 민감도로 인해 일관된 결과를 얻기 어려웠다. 반면 제안된 VQ‑기반 방법은 코드북 크기와 클러스터 수라는 두 개의 직관적인 파라미터만으로도 과소·과다 세분화를 모두 회피하고, 종양 경계가 명확히 드러나는 결과를 제공한다.

한계점으로는 1) 코드북 크기와 클러스터 수 선택이 경험적이며 자동 최적화 절차가 부족함, 2) MRI 데이터셋이 제한적(단일 기관, 소수 환자)하여 일반화 가능성이 검증되지 않음, 3) 종양의 형태학적 다양성(불규칙 경계, 다중 병변)에 대한 민감도가 충분히 평가되지 않았다는 점을 들 수 있다. 향후 연구에서는 다중 스케일 VQ, 딥러닝 기반 사전 학습 코드북, 그리고 대규모 다기관 데이터셋을 활용한 교차 검증을 통해 성능을 확장할 필요가 있다.