3D 초음파 유방 종양 자동 등고선 추출 방법

**배경 및 목적** 유방암은 여성에게 가장 흔히 발생하는 암 중 하나이며, 조기 발견이 치료 성공률을 크게 높인다. 초음파는 방사선 노출이 없고 실시간 고해상도 영상을 제공해 유방 종양 검진에 널리 사용된다. 그러나 초음파 영상은 잡음, 섀도우, 조직 텍스처 등으로 인해 종양 경계가 흐릿하고, 종양의 형태와 부피를 정확히 파악하기 위해서는 숙련된 방사선과의 경험이 필수적이다. 기존에 수동으로 3D 윤곽을 그리는 방식은 수백 장의 2D 슬라이스를 일일이 처리해야 하므로 시간과 인력이 많이 소모된다. 따라서 자동 또는 반자동으로 정확한 3D 종양 윤곽을 추출하는 기술이 필요하다. **제안 방법** 본 논문은 두 단계로 구성된 자동 분할 파이프라인을 제안한다. 1. **3D 영역 성장 기반 초기 윤곽 생성** - 전문가가 종양 중심에 가까운 씨드 포인트를 지정한다. - 6‑인접(전·후·좌·우·상·하) 이웃을 이용해 강도 차이가 사전 정의된 임계값 T(=5.0) 이하인 voxels를 종양 영역에 포함한다. - 영역이 확장될 때마다 평균 강도를 재계산해 새로운 후보 voxel을 탐색한다. - 6‑인접 모델을 선택함으로써 연산량을 최소화하고, 26‑인접 대비 빠른 수렴을 기대한다. 2. **형태학적 클로징 및 레벨셋 정교화** - 20×20 구조 요소를 사용해 초기 영역에 클로징 연산을 적용, 작은 구멍·균열을 메우고 경계를 매끄럽게 만든다. - 전처리 단계에서 σ=1.5인 3D 가우시안 블러를 적용해 잡음을 억제한다. - Chen‑Vese 모델을 기반으로 한 레벨셋 방법을 적용한다. 레벨셋 함수 φ는 내부(φ<0), 경계(φ=0), 외부(φ>0) 영역을 구분한다. 에너지 함수는 길이 페널티(µ=0.2), 면적 페널티(ν=0), 내부·외부 평균 밝기 차이(λ₁=λ₂=1)를 포함한다. Dirac δ 함수를 통해 경계가 부드럽게 변하도록 한다. **실험 설계** - 대상: 20명(양성 10명, 악성 10명) 환자의 3D 초음파 데이터(각 케이스당 120~280 슬라이스, 평균 366×216 픽셀). - 비교 기준: (1) EMS(전 슬라이스마다 수동 2D 윤곽) – ‘참조(REF)’로 간주, (2) VOCAL(30° 회전 6개 평면을 수동으로 그린 반자동 방식) – ‘SEG’로 간주. - 평가 지표: 유사도 지수(SI), 겹침 비율(OV, Jaccard), 겹침 비율(OF), 초과 비율(EF). **결과** 제안 방법은 평균 SI 0.85, OV 0.92, OF 0.75, EF 0.13을 달성했으며, VOCAL은 각각 0.81, 0.84, 0.69, 0.34였다. 즉, 제안 방법이 전체적으로 더 높은 일치도와 낮은 오탐률을 보였다. 실행 시간은 평균 25.3초(단일 CPU, MATLAB R2016a 환경)로, 임상 현장에서 실시간이 아닌 오프라인 보조 도구로 사용하기에 충분히 빠른 편이다. **논의 및 한계** - 초기 씨드 포인트가 전문가에 의해 지정되므로 완전 자동화에는 한계가 있다. - 데이터셋이 20건에 불과해 통계적 검증이 제한적이며, 다양한 초음파 기기·설정에 대한 일반화 검증이 부족하다. - 최신 딥러닝 기반 3D 분할 모델과의 비교가 없으며, 레벨셋 파라미터 튜닝이 필요할 수 있다. - 잡음·섀도우가 심한 경우 영역 성장 단계에서 과소·과대 추정 위험이 제시되지 않았다. **결론** 본 연구는 3D 영역 성장과 Chen‑Vese 레벨셋을 결합한 방법이 초음파 기반 유방 종양의 3D 윤곽을 자동으로 추출하는 데 유효함을 보여준다. 특히 수동 EMS와 비교했을 때 높은 정밀도와 적당한 연산 시간을 제공한다. 향후 연구에서는 초기 씨드 자동화, 더 큰 다기관 데이터셋을 통한 검증, 딥러닝 기반 비교 분석 등을 통해 임상 적용성을 더욱 강화할 필요가 있다.