심근 LGE MRI 자동 분할을 위한 형태·공간 사전 통합 딥러닝

초록

본 논문은 Late Gadolinium Enhancement MRI에서 심근을 자동으로 분할하기 위해 형태 재구성 네트워크와 공간 제약 네트워크를 결합한 SRSCN 모델을 제안한다. 형태 사전은 라벨 이미지로 사전 학습된 SRNN을 통해 현실적인 형태를 유지하도록 정규화하고, SCN은 2D 슬라이스 간 공간 연속성을 다중 과제 학습으로 학습한다. 45명의 환자 데이터를 이용한 실험에서 Dice 0.758(표준편차 0.227)을 달성했으며, 이는 전문가 간 변동성(0.757±0.083)과 거의 동등한 수준이다.

상세 분석

SRSCN은 기존 딥러닝 기반 심근 분할 모델이 직면하는 두 가지 핵심 문제—이질적인 강도 분포와 경계 모호성—를 해결하기 위해 두 개의 보조 모듈을 도입한다. 첫 번째 모듈인 Shape Reconstruction Neural Network(SRNN)는 라벨 이미지 집합을 이용해 심근의 전형적인 형태를 학습한다. SRNN은 오토인코더 구조를 채택해 입력 라벨을 압축된 잠재 공간에 매핑한 뒤, 이를 다시 복원함으로써 형태 제약을 내재화한다. 사전 학습 단계에서 획득한 파라미터는 본 분할 네트워크의 손실 함수에 정규화 항으로 삽입되어, 예측 마스크가 비현실적인 형태를 취할 경우 손실이 크게 증가하도록 설계된다. 이 접근법은 전통적인 수작업 특징 설계 없이도 형태 일관성을 강제한다는 점에서 의미가 크다.

두 번째 모듈인 Spatial Constraint Network(SCN)는 2D 슬라이스 간의 해부학적 연속성을 고려한다. 일반적인 2D U‑Net 기반 분할기는 각 슬라이스를 독립적으로 처리해 슬라이스 간 불연속 현상이 발생하기 쉬운데, SCN은 인접 슬라이스를 입력으로 받아 공간적 상관관계를 학습한다. 구체적으로, SCN은 별도의 컨볼루션 경로를 통해 인접 슬라이스의 특징 맵을 추출하고, 이를 메인 분할 네트워크와 다중 과제 학습(MTL) 방식으로 결합한다. MTL은 분할 과제와 공간 제약 과제를 동시에 최적화함으로써, 경계가 흐릿하거나 잡음이 많은 영역에서도 일관된 형태를 유지하도록 돕는다.

학습 과정에서는 전체 손실 L_total = L_seg + λ1·L_shape + λ2·L_spatial 로 정의된다. 여기서 L_seg는 표준 Dice 손실, L_shape는 SRNN이 복원한 라벨과 현재 예측 마스크 간의 차이를 측정하는 L2 손실, L_spatial은 SCN이 예측한 인접 슬라이스 간 차이를 최소화하는 정규화 항이다. λ1, λ2는 경험적으로 설정된 가중치로, 형태와 공간 제약의 상대적 중요도를 조절한다.

실험에서는 45명의 환자(LGE MRI) 데이터를 5‑fold 교차 검증으로 평가했으며, 비교 대상으로는 Anatomically Constrained Neural Network(ACNN)와 Adversarial Neural Network(ANN)를 사용했다. SRSCN은 평균 Dice 0.758을 기록했으며, 표준편차는 0.227로 다소 변동성이 있었지만 전문가 간 변동성(0.757±0.083)와 통계적으로 유의미한 차이를 보이지 않았다. 또한, 경계가 불명확한 부위에서 SRSCN은 기존 모델보다 더 매끄러운 윤곽을 생성했으며, 시각적 평가에서도 형태 왜곡이 최소화된 것을 확인할 수 있었다.

이 논문의 주요 기여는 (1) 형태 사전을 딥러닝 프레임워크에 정규화 항으로 자연스럽게 통합한 점, (2) 2D 슬라이스 간 공간 연속성을 다중 과제 학습으로 구현한 점, (3) 제한된 데이터셋에서도 전문가 수준의 성능을 달성한 점이다. 향후 연구에서는 3D 볼륨 전체를 한 번에 처리하는 3D CNN과 결합하거나, 심근 외 병변(예: 섬유화)까지 포괄하는 다중 클래스 확장을 고려할 수 있다.