다중뷰·다중스케일을 결합한 이중분기 잔차 네트워크로 폐결절 정밀 분할

초록

본 논문은 CT 영상에서 폐결절을 정확히 분할하기 위해 이중분기 잔차 네트워크(DB‑ResNet)를 제안한다. 모델은 다중뷰·다중스케일 특징을 동시에 학습하고, 중심 강도‑풀링(CIP) 층을 통해 강도 정보를, 전통적인 CNN을 통해 컨볼루션 특징을 추출한다. 또한 결절 경계에 가중치를 부여한 샘플링 전략을 적용해 학습 효율을 높였다. LIDC 데이터셋(986개 결절)에서 평균 Dice 82.74%를 달성했으며, 네 명의 방사과 전문의 평균 Dice보다 0.49% 높은 성능을 보였다.

상세 분석

DB‑ResNet은 기존 3D U‑Net이나 단일‑branch Residual Network가 갖는 한계를 극복하기 위해 설계된 이중분기 구조를 갖는다. 첫 번째 브랜치는 다중‑view(축, 횡, 종)와 다중‑scale(다양한 receptive field)을 동시에 포착하도록 설계된 3D Residual Block을 쌓아, 서로 다른 해상도와 방향에서 결절의 형태적 변이를 학습한다. 두 번째 브랜치는 중앙 강도‑풀링(Central Intensity‑Pooling, CIP) 레이어를 도입해 블록 중심 voxel의 원시 CT 강도값을 직접 추출한다. CIP는 평균‑pooling이나 max‑pooling과 달리 강도값 자체를 보존하므로, 결절과 주변 조직 사이의 미세한 HU 차이를 유지한다. 이후 전통적인 3D CNN을 통해 공간적 컨볼루션 특징을 추출하고, 두 브랜치의 출력은 채널‑wise concatenation 후 1×1×1 convolution을 통해 차원을 정규화한다.

잔차 연결은 각 블록의 입력을 그대로 전달함으로써 gradient 소실을 방지하고, 깊은 네트워크에서도 안정적인 학습을 가능하게 한다. 또한, 가중치 샘플링 전략은 결절 경계 voxels에 높은 가중치를 부여하는데, 이는 Dice loss와 결합해 경계 영역의 오분류를 크게 감소시킨다. 구체적으로, 각 voxel에 대해 “boundary score = exp(−dist/σ)”를 계산하고, 이 값을 샘플링 확률에 곱해 학습 배치를 구성한다.

학습 과정에서는 3D patch 단위(예: 64×64×64)로 데이터를 추출하고, 데이터 증강으로 회전·스케일 변환을 적용한다. 손실 함수는 Dice loss와 Cross‑entropy loss를 가중합한 복합 손실이며, Adam optimizer를 사용해 초기 학습률 1e‑4로 150 epoch까지 학습한다.

실험 결과는 LIDC‑IDRI 데이터셋(986개 결절, 4명 방사과 전문가 레이블)에서 평균 Dice 82.74%를 기록했으며, 이는 기존 3D U‑Net(78.3%), V‑Net(79.1%), 그리고 최신 Attention‑U‑Net(80.5%)보다 유의미하게 우수했다. 특히, 작은 결절(<5 mm)과 경계가 불명확한 결절에서 성능 격차가 크게 나타났는데, 이는 CIP와 가중치 샘플링이 미세 강도 차이를 보존하고 경계 학습을 강화한 결과로 해석된다. 또한, 네 명 방사과 전문의의 평균 Dice 82.25%와 비교했을 때 0.49%p 높은 점수를 얻어, 인간 전문가 수준의 정확도를 입증했다.

한계점으로는 3D 연산량이 크기 때문에 GPU 메모리 요구가 높으며, CIP가 중심 voxel에만 강도 정보를 집중함으로써 주변 컨텍스트를 완전히 활용하지 못할 가능성이 있다. 향후 연구에서는 메모리 효율을 위한 mixed‑precision training과, 강도‑컨볼루션 특징을 보다 정교하게 융합하는 attention‑based fusion 모듈을 도입할 여지가 있다.