복부 CT 기반 자동 췌장 분할을 위한 하향식 두 단계 학습 모델

초록

본 논문은 복부 CT 영상에서 췌장을 자동으로 분할하기 위해, 2차원 슬라이스를 Simple Linear Iterative Clustering(SLIC)으로 초과분할한 후, 이미지 패치를 이용해 랜덤 포레스트(RF) 기반의 두 단계 계층적 분류기를 적용한다. 패치 수준에서 학습된 RF는 초과분할된 슈퍼픽셀에 대한 신뢰도를 제공하고, 이를 다시 슈퍼픽셀 수준의 RF cascade와 다채널 특징(강도, 그래디언트, 텍스처, 위치 등)과 결합한다. 80명의 환자 CT 데이터를 6‑fold 교차검증한 결과, 평균 Dice 계수 68.8%, Jaccard Index 57.2%를 달성했으며, 이는 기존 최첨단 방법과 동등하거나 약간 우수한 수준이다.

상세 분석

이 연구는 복부 CT에서 고변이성을 보이는 췌장 장기의 자동 분할 문제를 ‘하향식(bottom‑up)’ 접근법으로 해결하고자 한다. 기존의 상향식(top‑down) 방식은 전역 형태 모델이나 해부학적 사전지식을 필요로 하지만, 췌장은 형태가 크게 변하고 주변 장기와 경계가 흐릿해 전통적인 모델링에 한계가 있다. 따라서 저자들은 먼저 2‑D CT 슬라이스를 SLIC 알고리즘으로 초과분할하여 평균 200~300개의 슈퍼픽셀을 생성한다. 각 슈퍼픽셀은 내부에 다수의 작은 이미지 패치(16×16 픽셀)로 구성되며, 패치 수준에서는 3‑채널(원본 CT, 그래디언트 강도, 라플라시안) 이미지와 25 차원의 통계적 특징(평균, 표준편차, 엔트로피, GLCM 기반 텍스처 등)을 추출한다.

패치 레벨 분류기는 랜덤 포레스트(RF)로 학습되며, 각 패치에 대해 ‘췌장일 확률’이라는 신뢰도 점수를 산출한다. 이 신뢰도는 동일 슈퍼픽셀 내 모든 패치에 평균화되어 슈퍼픽셀 수준의 초기 특징으로 사용된다. 슈퍼픽셀 레벨에서는 두 단계의 RF cascade가 적용된다. 1차 RF는 위에서 얻은 평균 신뢰도와 슈퍼픽셀 자체의 형태·위치·텍스처 특징을 결합해 거친 이진 분류를 수행하고, 2차 RF는 1차 RF가 양성(췌장)으로 판정한 후보에 대해 보다 정교한 재분류를 수행한다. 이때 2차 RF는 추가적인 다채널 특징(예: 히스토그램 기반 강도 분포, 주변 슈퍼픽셀과의 관계)과 함께 패치‑레벨 RF의 출력 분포(분산, 최대값 등)를 활용한다.

실험은 80명의 복부 CT 스캔(각 환자당 평균 200~300 슬라이스)으로 구성된 데이터셋에서 6‑fold 교차검증을 수행하였다. 평가 지표는 Dice 계수와 Jaccard Index이며, 평균 Dice 68.8%와 Jaccard 57.2%를 기록하였다. 이는 동일 데이터셋을 사용한 최근 딥러닝 기반 방법(예: 3‑D U‑Net, 65%~70% Dice)과 비교해 동등하거나 약간 우수한 결과이며, 특히 전통적인 형태 기반 모델보다 큰 폭으로 개선된 점이 주목할 만하다.

이 접근법의 장점은 (1) 전역 형태 모델에 의존하지 않아 췌장의 큰 형태 변이를 자연스럽게 포괄한다, (2) RF 기반의 계층적 분류는 학습이 비교적 빠르고 해석 가능성이 높다, (3) 다채널 특징과 패치‑레벨 신뢰도 결합을 통해 국소적인 경계 정보를 효과적으로 활용한다는 점이다. 반면 한계점으로는 (①) 2‑D 슬라이스 기반 처리로 인해 인접 슬라이스 간 연속성이 충분히 반영되지 않아 작은 누락이나 과분할이 발생할 수 있다, (②) 랜덤 포레스트는 깊은 신경망에 비해 복잡한 비선형 패턴을 포착하는 데 한계가 있어, 특히 저대조도·노이즈가 많은 CT에서 성능 저하가 예상된다, (③) 데이터셋 규모가 80명에 불과해 일반화 능력을 완전히 검증하기 어렵다.

향후 연구 방향으로는 (1) 3‑D 컨텍스트를 도입해 슈퍼픽셀 간 연속성을 강화하고, 3‑D CNN과 결합한 하이브리드 모델을 설계하는 방안, (2) 더 풍부한 멀티모달 입력(예: MRI, PET)과 전이 학습을 활용해 특징 표현을 강화, (3) 대규모 공개 데이터셋을 구축해 RF와 딥러닝 모델을 동시에 비교 평가함으로써 최적의 하향식‑상향식 혼합 전략을 탐색하는 것이 제시된다.