자기적응 2D‑3D FCN 앙상블을 통한 효율적인 의료 영상 분할

초록

본 논문은 2D와 3D 완전합성곱 신경망(FCN)을 결합한 자기적응형 앙상블 모델을 제안한다. 다중목표 진화 알고리즘을 이용해 데이터셋별 최적 구조와 파라미터 수를 동시에 최적화함으로써, 대용량 3D 의료 영상에서도 높은 분할 정확도와 경량 모델을 동시에 달성한다. PROMISE12 전립선 분할 과제에서 상위 10위 안에 들며, 자동 설계된 기존 모델보다 성능·크기 모두 우수함을 입증한다.

상세 분석

이 연구는 의료 영상 분할에 있어 두 가지 핵심 문제—볼륨 데이터의 효율적 활용과 모델 복잡도 최소화—를 동시에 해결하고자 한다. 기존 FCN 기반 방법들은 주로 2D 슬라이스별로 학습하거나, 3D 전체 볼륨을 처리하지만, 전자는 인접 슬라이스 간 연관성을 무시하고, 후자는 메모리와 연산량이 급증한다는 한계가 있다. 저자들은 이러한 한계를 극복하기 위해 2D FCN과 3D FCN을 각각 intra‑slice와 inter‑slice 특성을 추출하도록 설계하고, 두 네트워크의 출력을 후처리 단계에서 결합한다. 핵심은 네트워크 구조 자체를 데이터셋에 맞게 자동으로 탐색한다는 점이다. 이를 위해 다중목표 진화 알고리즘(Multi‑Objective Evolutionary Algorithm, MOEA)을 적용했으며, 목표 함수는 (1) Dice 손실 기반 분할 오류 최소화와 (2) 파라미터 수 최소화를 동시에 고려한다. 진화 과정에서는 레이어 수, 커널 크기, 채널 수, 스킵 연결 여부 등 다양한 설계 변수를 유전자로 표현하고, 교차·돌연변이 연산을 통해 후보 아키텍처를 생성한다. Pareto 최적 해 집합을 도출한 뒤, 검증 데이터에서 가장 높은 Dice 점수를 보인 모델을 최종 선택한다. 이러한 자동 설계는 전문가의 수작업 설계에 비해 탐색 공간을 크게 확장하면서도, 연산 비용을 제어할 수 있다는 장점을 제공한다. 실험에서는 PROMISE12 데이터셋(전립선 MRI)에서 2D‑3D 앙상블이 단일 2D 혹은 3D 모델보다 평균 Dice 0.89 수준을 달성했으며, 파라미터 수는 기존 자동 설계 모델 대비 30% 이상 감소했다. 또한, 앙상블 구조는 각 네트워크가 놓치는 영역을 상호 보완함으로써 경계 부근의 오류를 크게 줄였다. 이 논문은 자동화된 아키텍처 탐색과 2D‑3D 융합이라는 두 축을 결합함으로써, 의료 영상 분야에서 모델 설계 비용을 낮추고, 실시간 혹은 임베디드 환경에서도 적용 가능한 경량 고성능 분할기를 제시한다는 점에서 의의가 크다.