반자동 퍼지 GrowCut 기반 유방 X선 영상 ROI 분할 및 종양 분류

본 논문은 유방 촬영술 이미지에서 종양의 정확한 형태와 경계를 파악하기 위한 세분화 기술을 제안한다. 기존 GrowCut 알고리즘은 사용자가 전경과 배경에 각각 몇 개의 씨드 포인트를 지정해야 하는데, 이는 전문가의 경험에 크게 의존하고 초기 씨드 배치가 부정확하면 결과가 크게 악화되는 단점이 있다. 이를 해결하고자 저자들은 두 가지 핵심 아이디어를 도입하였다. 첫째, 퍼지 가우시안 멤버십 함수를 활용해 픽셀마다 객체와 배경에 속할 확률을 연속적인 값으로 모델링하고, 이 값을 GrowCut의 세포 강도와 라벨 전파 규칙에 통합하였다. 퍼지화된 진화 규칙은 배경 씨드가 없어도 전경 씨드만으로 충분히 라벨이 퍼지도록 설계되었으며, 씨드 위치가 다소 오차가 있더라도 안정적인 분할을 보장한다. 둘째, 씨드 포인트 자체를 자동으로 생성하기 위해 시뮬레이티드 어닐링 최적화 기법을 적용하였다. 최적화 목표는 선택된 씨드 픽셀들의 평균 강도가 높고, 서로 간의 거리(공간적 분산)가 최소가 되도록 하는 것으로, 이는 종양 영역 내에서 밝은 픽셀을 집중적으로 선택하면서도 과도한 중복을 방지한다. 이 과정은 완전 자동화되어 전문가가 직접 씨드를 지정할 필요가 없으며, 기존 GrowCut 사용 시 발생하던 초기화 비용을 크게 감소시킨다. 전체 흐름은 다음과 같다. 먼저 전문의가 ROI를 지정하거나 기존 알고리즘으로 ROI를 추출한다. 이후 시뮬레이티드 어닐링을 통해 전경 씨드가 자동으로 선정되고, 퍼지 GrowCut이 실행되어 ROI 내부의 종양 영역을 분할한다. 분할된 마스크는 Zernike 모멘트를 이용해 형태학적 특징(대칭성, 회전 불변성 등)을 추출한다. 추출된 특징 벡터는 다층 퍼셉트론(MLP) 분류기에 입력되어 양성·악성 종양을 판별한다. 실험은 IRMA 데이터베이스에서 추출한 685장의 유방 촬영술 영상을 대상으로 수행되었다. 지방 조직과 섬유 조직 두 종류로 구분했으며, 특히 지방 조직에 대해 91.28%의 분류 정확도를 달성하였다. 이는 기존 연구에서 보고된 86~90% 수준보다 우수한 결과이며, 제안된 세분화·특징 추출 파이프라인이 임상적 의사결정에 충분히 활용될 수 있음을 보여준다. 하지만 논문에는 몇 가지 한계점이 존재한다. 첫째, 분할 품질을 직접적으로 평가하는 Dice, Jaccard, Hausdorff 거리와 같은 지표가 제시되지 않아, 시각적·정량적 비교가 제한적이다. 둘째, 섬유 조직에 대한 분류 성능이 상세히 보고되지 않아, 조직 유형에 따른 일반화 가능성을 판단하기 어렵다. 셋째, ROI가 사전에 제공된다는 전제 하에만 동작하므로, 전체 유방 영상에서 자동 ROI 탐지까지 포함하는 완전 자동화 파이프라인 구축이 필요하다. 향후 연구에서는 이러한 한계를 보완하고, 퍼지 GrowCut을 다른 의료 영상(예: 뇌 MRI, 간 CT)에도 적용해 범용성을 검증하는 것이 기대된다.