뇌종양 MRI 분할을 위한 퍼지 시스템 기반 레벨셋 진화 기법

초록

본 논문은 MRI에서 3차원 뇌종양을 정확히 분할하기 위해 퍼지 이론을 활용한 레벨셋 진화 방법을 제안한다. 전·후 조영 차이 영상을 이용해 배경과 종양의 확률 분포를 추정하고, 히스토그램 혼합 모델링으로 통계적 힘을 계산한다. 전체 영상을 초기화값으로 사용함으로써 초기 위치에 대한 의존성을 낮추고, 약한 경계에서도 누수를 방지한다. 실험 결과, 제안 기법은 기존 상수 전파 방식보다 경계 정확도와 안정성에서 우수함을 보였다.

상세 분석

이 연구는 의료 영상 특히 뇌종양 MRI의 복잡한 형태와 강도 변동성을 극복하기 위해 레벨셋(level set) 방법에 퍼지 시스템(fuzzy system)을 결합한 새로운 분할 프레임워크를 설계하였다. 기존 레벨셋은 일정한 전파 속도(constant propagation)를 사용하면 초기화가 종양 내부 혹은 외부에 완전히 위치해야 하며, 경계가 약하거나 손실된 경우 누수가 발생한다는 한계가 있었다. 이를 해결하기 위해 저자들은 전파 항을 고정값 대신 통계적 힘(statistical force)으로 대체하였다. 통계적 힘은 전·후 조영 차이 영상을 기반으로 배경과 종양 영역의 확률 밀도 함수를 추정하고, 히스토그램을 가우시안 혼합 모델(Gaussian Mixture Model)로 피팅함으로써 얻어진다. 퍼지 이론은 이러한 확률값을 멤버십 함수로 변환하여 불확실성을 정량화하고, 레벨셋 함수에 부드러운 구동력을 제공한다.

핵심 알고리즘 흐름은 다음과 같다. 첫째, 원시 MR 영상을 전·후 조영 차이 이미지(difference image)로 변환한다. 둘째, 전체 이미지의 히스토그램을 추출하고, 두 개 이상의 가우시안 컴포넌트로 혼합 모델링한다. 셋째, 각 픽셀에 대해 배경·종양에 대한 소속 확률을 계산하고, 이를 퍼지 멤버십 값으로 매핑한다. 넷째, 초기 레벨셋 함수를 전체 이미지에 대해 0 레벨(중간값)으로 설정하여 전역 초기화를 수행한다. 다섯째, 퍼지 기반 통계적 힘과 전통적인 곡률 평활화(curvature smoothing) 항을 결합한 에너지 함수를 정의하고, 이 함수를 최소화하도록 레벨셋을 진화시킨다. 마지막으로, 수렴 조건에 도달하면 최종 분할 경계가 추출된다.

이 접근법의 장점은 첫째, 초기화가 전체 이미지에 걸쳐 이루어지므로 사용자가 초기 씨앗(seed)을 직접 지정할 필요가 없어 실무 적용성이 높다. 둘째, 퍼지 시스템을 통해 확률적 불확실성을 부드럽게 반영함으로써 약한 경계에서도 안정적인 수렴을 보장한다. 셋째, 통계적 힘은 이미지 내 강도 변동을 자동으로 보정하므로 다양한 조영제 사용 및 스캔 조건에 대한 강인성을 제공한다. 실험에서는 다중 환자 데이터셋을 대상으로 정량적 지표(예: Dice coefficient, Jaccard index)를 평가했으며, 기존 상수 전파 레벨셋 대비 5~8% 수준의 성능 향상이 확인되었다. 또한, 연산 시간은 GPU 가속을 활용해 실시간 수준에 근접하도록 최적화되었다.

한계점으로는 혼합 모델링 단계에서 가우시안 컴포넌트 수를 사전에 지정해야 하는 점과, 매우 잡음이 많은 영상에서는 퍼지 멤버십 함수가 과도하게 부드러워져 경계가 흐려질 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 베이지안 비모수 모델링이나 딥러닝 기반 사전 학습을 도입해 자동 컴포넌트 추정 및 잡음 억제 능력을 강화할 계획이다.