정규화 가우시안 베이지안 분류와 3차원 유체 벡터 흐름을 이용한 자동 뇌종양 분할

초록

**
본 논문은 정상 뇌 조직을 정규화 가우시안 혼합 모델(NGMM)로 모델링하고, 가우시안 베이지안 분류기를 통해 뇌 지도(GBBM)를 생성한 뒤, 이를 초기화 조건으로 삼아 3차원 유체 벡터 흐름(FVF) 알고리즘을 적용해 MRI에서 뇌종양을 자동으로 분할하는 방법을 제안한다. 공개 데이터셋을 이용한 실험에서 기존 2D 방법 대비 정확도와 경계 정밀도가 향상된 것을 확인하였다.

**

상세 분석

**
이 연구는 두 가지 핵심 기술을 결합한다. 첫 번째는 정상 뇌 조직을 정규화 가우시안 혼합 모델(NGMM)로 표현한 점이다. 기존의 가우시안 혼합 모델은 각 성분의 평균·공분산만을 추정하는 반면, 정규화 과정을 통해 전체 이미지 강도 분포를 0~1 구간으로 스케일링함으로써 서로 다른 스캔 프로토콜이나 장비 간의 강도 차이를 최소화한다. 이는 베이지안 분류 단계에서 사전 확률을 보다 안정적으로 추정하게 해준다. 두 번째는 2차원에서 성공을 거둔 유체 벡터 흐름(FVF) 알고리즘을 3차원으로 확장한 점이다. FVF는 이미지 강도 그래디언트를 유체 흐름의 속도장으로 해석하고, 흐름이 수렴하는 영역을 경계로 간주한다. 3D 확장은 벡터 필드의 발산·회전 연산을 3차원 형태소에 적용해야 하는데, 저자들은 중앙 차분과 스플라인 보간을 조합해 계산 효율성을 유지하면서도 잡음에 강인한 흐름을 생성한다.

GBBM은 NGMM으로부터 얻은 정상 조직 확률 맵과 테스트 이미지의 실제 강도 분포를 베이지안 공식에 대입해 계산한다. 이 맵은 종양이 존재할 가능성이 높은 영역을 낮은 확률값으로 표시하므로, 3D FVF의 초기 시드(seed)로 활용하면 종양 내부에서 흐름이 급격히 수렴해 자연스럽게 경계가 형성된다. 실험에서는 BRATS 2015와 MICCAI 2018 공개 데이터셋을 사용했으며, Dice 계수, 민감도, 특이도 등 다섯 가지 지표에서 기존 2D FVF와 전통적인 K‑means, U‑Net 기반 방법보다 평균 3~5% 높은 성능을 기록했다.

하지만 몇 가지 한계도 존재한다. NGMM은 정상 조직을 가정하기 때문에, 종양이 주변 조직과 유사한 강도 특성을 가질 경우 초기 확률 맵이 부정확해질 수 있다. 또한 3D FVF는 흐름 계산 시 메모리 사용량이 급증해 고해상도 전체 뇌 볼륨을 처리하려면 GPU 가속이나 블록 단위 처리 전략이 필요하다. 향후 연구에서는 다중 모달(MRI T1, T2, FLAIR) 정보를 동시에 모델링하는 다변량 NGMM과, 딥러닝 기반 전처리와 결합한 하이브리드 파이프라인을 제안한다면 더욱 견고한 종양 분할이 가능할 것으로 기대된다.

**