정밀 분할 R CNN 조산아 백색질 미세 병변 자동 세분화

초록

본 논문은 조산아의 T1 가중 MRI에서 미세 백색질 병변(PWML)을 자동으로 분할하기 위해 두 단계 구조의 Refined‑Segmentation R‑CNN(RS‑RCNN)을 제안한다. 주변 정보를 활용하는 휴리스틱 RPN(H‑RPN)과 경량화된 세그멘테이션 네트워크, 그리고 밀집 연결 조건부 랜덤 필드(DCRF) 후처리를 결합해 픽셀 수준까지 높은 정확도를 달성하였다. 실험 결과 Dice 0.662, Sensitivity 0.707, Specificity 0.9997, Hausdorff 52.9 mm를 기록하며 기존 최첨단 방법들을 능가한다.

상세 분석

본 연구는 조산아 뇌 영상에서 흔히 관찰되는 미세 백색질 병변(PWML)의 특성을 고려한 맞춤형 세그멘테이션 파이프라인을 설계했다. 첫 번째 단계인 휴리스틱 RPN(H‑RPN)은 전통적인 Region Proposal Network(RPN)과 달리, 병변 주변의 텍스처와 강도 변화를 히스토그램 기반의 휴리스틱 규칙으로 보강한다. 이를 통해 매우 작은 병변(1~2 픽셀)도 후보 영역으로 잡아낼 확률을 크게 높였다. H‑RPN은 기존 RPN이 과도하게 많은 후보를 생성하거나 작은 병변을 놓치는 문제를 완화하면서도 연산량을 크게 증가시키지 않는다.

두 번째 단계는 경량화된 세그멘테이션 네트워크이다. 논문에서는 DenseNet‑BC 구조를 변형해 채널 수를 32로 제한하고, 3×3 컨볼루션만을 사용해 파라미터 수를 1.2 M 이하로 축소하였다. 이렇게 설계된 네트워크는 메모리 제한이 심한 임상 환경에서도 실시간에 가까운 추론 속도를 제공한다. 또한, H‑RPN에서 제시된 후보 영역을 RoI Align을 통해 정밀히 정렬한 뒤, 다중 스케일 피처를 결합해 미세 병변의 경계를 복원한다.

후처리 단계에서는 기존 CRF 기반 방법이 병변 경계에서 과도한 스무딩을 일으키는 문제를 해결하기 위해, Dense 연결을 도입한 DCRF(Densely connected CRF)를 적용한다. DCRF는 각 픽셀 간의 상호작용을 다중 레이어로 전파함으로써, 작은 병변 주변의 잡음은 억제하고 실제 병변은 보존한다. 특히, Hausdorff 거리와 같은 경계 기반 평가 지표에서 현저한 개선을 보였다.

실험은 공개된 조산아 T1‑MRI 데이터셋(총 120명, 각 3D 볼륨)에서 수행되었으며, 5‑fold 교차 검증을 통해 일반화 성능을 검증했다. 제안 모델은 기존 U‑Net, DeepLabV3+, 그리고 최신 Transformer 기반 세그멘테이션 모델과 비교했을 때 Dice 점수에서 평균 4.3%p, Sensitivity에서 5.1%p, Hausdorff 거리에서 9 mm 정도 개선되었다. 특히, 매우 작은 병변(≤3 픽셀) 검출률이 82%에서 94%로 크게 상승했다.

한계점으로는 현재 T1‑MRI 단일 모달리티에만 의존한다는 점과, 데이터셋 규모가 제한적이라는 점을 들 수 있다. 향후 연구에서는 T2‑FLAIR, DWI 등 다중 모달 영상을 융합하고, 대규모 다기관 데이터를 확보해 모델의 견고성을 높일 계획이다. 또한, H‑RPN의 휴리스틱 규칙을 데이터‑드리븐 방식으로 학습시키는 방안을 모색함으로써, 병변 유형이 다양해지는 상황에도 적응할 수 있도록 할 예정이다.

전체적으로 본 논문은 미세 병변이라는 특수한 의료 영상 문제에 대해 두 단계 구조와 휴리스틱·경량·밀집 연결이라는 세 가지 핵심 아이디어를 성공적으로 결합했으며, 임상 현장에서 실시간 보조 도구로 활용될 가능성을 크게 열어준다.