위상 텍스처 특징을 활용한 간질성 폐질환 패턴 분류

초록

본 연구는 고해상도 CT 영상에서 나타나는 ‘허니컴’ 양상을 자동으로 구분하기 위해 위상 텍스처 특징(Minkowski Functionals)을 기존의 GLCM·Minkowski Dimension과 비교하였다. 14명의 환자에서 추출한 241개의 ROI(건강 조직 152, 병변 89)를 대상으로 6가지 텍스처 벡터를 계산하고, k‑NN과 RBF 신경망을 10‑fold 교차검증으로 최적화하였다. 위상 특징 특히 MF.euler가 96.6~97.5%의 최고 정확도를 보이며, 기존 표준 텍스처보다 통계적으로 유의하게 우수함을 확인하였다.

상세 분석

이 논문은 간질성 폐질환(ILD) 진단에서 핵심적인 영상 소견인 ‘허니컴’ 패턴을 자동화된 방법으로 식별하고자 하는 시도이다. 연구자는 14명의 환자(허니컴이 확인된)로부터 HRCT axial 이미지 70장을 확보하고, 방사선 전문의가 직접 241개의 ROI(건강 조직 152, 병변 조직 89)를 지정하였다. 텍스처 분석은 크게 세 그룹으로 나뉜다. 첫 번째는 전통적인 회색 수준 공분산 행렬(GLCM) 기반 특징으로, 동질성(homogeneity), 절대값(absolute value) 등 6가지 통계량을 추출한다. 두 번째는 Minkowski Dimension(MD)으로, 이미지의 프랙탈 차원을 추정해 복잡성을 정량화한다. 세 번째이자 핵심인 위상 텍스처는 Minkowski Functionals(MF) 세 가지(면적, 주변 길이, 오일러 특성)를 이용한다. 특히 MF.euler는 이미지의 연결성 및 구멍 수를 반영하는 위상 지표로, 병변 조직의 복잡한 구조를 포착한다는 가정 하에 선택되었다.

분류 모델은 k‑Nearest Neighbor(k‑NN)와 다층 방사형 기저 함수 신경망(RBFN) 두 종류를 사용했으며, 각각의 하이퍼파라미터(k값, 은닉층 수·폭 등)를 10‑fold 교차검증으로 최적화하였다. 독립 테스트 세트에 대한 정확도는 각 텍스처 벡터마다 계산되었고, 두 모델 간 성능 차이를 Wilcoxon signed‑rank test로 검정하였다. 다중 비교 문제를 해결하기 위해 Bonferroni 보정이 적용되었다.

결과는 MF.euler가 k‑NN에서 97.5%, RBFN에서 96.6%의 정확도를 기록하며, GLCM의 ‘동질성’(91.8%/87.2%) 및 ‘절대값’(90.2%/88.5%)보다 통계적으로 유의하게 우수했다(p < 0.005). 이는 위상 텍스처가 병변의 복합적인 구조적 변화를 더 민감하게 포착한다는 것을 시사한다. 또한, 두 분류기 모두 MF 기반 특징에서 일관된 고성능을 보였으며, 전통적인 텍스처와 MD는 상대적으로 낮은 정확도를 나타냈다.

이 연구는 위상 텍스처가 ILD와 같은 복합 조직 변화를 정량화하는 데 강력한 도구가 될 수 있음을 증명한다. 그러나 ROI가 방사선 전문의에 의해 수동으로 선택되었고, 환자 수가 14명에 불과하다는 제한점이 있다. 향후 자동 ROI 추출, 다기관 대규모 데이터셋 적용, 그리고 다른 폐 질환군과의 구분 능력 검증이 필요하다.