초픽셀 기반 다발성 경화증 병변 자동 탐지 기법

초록

본 논문은 MRI 영상에서 다발성 경화증(MS) 병변을 효율적으로 검출하기 위해 초픽셀(Superpixel) 분할 기법을 적용한 새로운 파이프라인을 제안한다. SLIC 알고리즘으로 이미지를 의미론적 단위인 초픽셀로 군집화한 뒤, 각 초픽셀에 텍스처·강도·형태학적 특징을 추출하고, 이를 기반으로 서포트 벡터 머신(SVM) 분류기를 학습시켜 병변 여부를 판별한다. 공개 데이터셋과 자체 임상 데이터를 이용한 실험 결과, 기존 픽셀‑단위 방법에 비해 Dice 계수 0.78, 민감도 0.81을 달성하며 연산 속도도 30 % 이상 향상되었음을 보여준다.

상세 분석

본 연구는 MS 병변 검출의 두 가지 핵심 과제—정확도와 연산 효율성—를 동시에 해결하고자 초픽셀 기반 전처리와 머신러닝 분류를 결합한 하이브리드 프레임워크를 설계하였다. 먼저, 3D FLAIR·T2·T1 가중치 MRI를 정규화하고, 각 슬라이스에 대해 SLIC (Simple Linear Iterative Clustering) 알고리즘을 적용해 평균 200~300개의 초픽셀을 생성한다. 초픽셀은 동일한 색상·공간적 연속성을 가진 픽셀 군집으로, 노이즈에 강하고 경계 정보를 보존한다는 장점이 있다. 이후 각 초픽셀에 대해 1차 통계량(평균, 표준편차), 2차 텍스처(Gray Level Co-occurrence Matrix 기반 엔트로피·대조도·상관관계), 형태학적(면적·주축 길이·원형도) 특징을 추출한다. 특징 차원은 45개 정도이며, 피처 선택 단계에서 최소-상관 분석과 LASSO 회귀를 이용해 20개 핵심 피처를 선별한다. 분류기는 라벨이 불균형한 데이터셋(병변 대비 정상 비율 ≈ 1:4)을 고려해 비용 민감도 조정이 가능한 선형 SVM을 선택했으며, 교차 검증을 통해 최적 C 파라미터를 튜닝하였다. 실험에서는 5‑fold 교차 검증과 독립 테스트 세트를 모두 사용했으며, 평가 지표는 Dice 계수, 민감도, 특이도, 평균 표면 거리(ASD)를 포함한다. 결과적으로 초픽셀 기반 접근은 픽셀‑단위 전통적 방법에 비해 평균 Dice가 0.78에서 0.71로 10 % 이상 향상되고, 연산 시간은 평균 1.2 초(전체 슬라이스당)에서 0.8 초로 30 % 감소하였다. 또한, 초픽셀 크기와 수를 조절함으로써 검출 민감도와 특이도 사이의 트레이드오프를 정량적으로 분석했으며, 최적 파라미터는 초픽셀 수 250개, 평균 초픽셀 크기 15 × 15 픽셀로 도출되었다. 한계점으로는 초픽셀 경계가 병변 경계와 완전히 일치하지 않을 경우 작은 병변 검출이 감소할 수 있다는 점과, 3D 초픽셀 확장이 아직 구현되지 않아 슬라이스 간 일관성이 떨어진다는 점을 언급한다. 향후 연구에서는 3D 초픽셀 및 딥러닝 기반 후처리 모듈을 결합해 정밀도를 더욱 높이는 방안을 제시한다.