주의 기반 딥 회귀 모델을 활용한 두부 측면 X선 랜드마크 자동 검출

초록

본 논문은 2단계 U‑Net 구조와 전역‑국부 주의 메커니즘을 결합한 딥 회귀 프레임워크를 제안한다. 전역 단계에서 저해상도 히트맵을 생성하고, 이를 가이드로 삼아 국부 단계에서 고해상도 패치 기반 U‑Net이 정밀히 랜드마크 히트맵을 회귀한다. 또한 탐색 범위를 확대하는 ‘Expansive Exploration’ 전략을 도입해 정확도와 강인성을 동시에 향상시켰으며, ISBI 2015 Cephalometric Grand Challenge 데이터셋에서 기존 최고 성능을 능가하는 결과를 얻었다.

상세 분석

이 연구는 기존 좌표 회귀 방식의 비효율성을 극복하고, 히트맵 기반 픽셀 분류 접근법을 두 단계로 확장함으로써 정확도와 연산 효율성을 동시에 달성한다. 첫 번째 단계인 전역 U‑Net은 전체 이미지(≈1935×1935)에서 20채널(19개 랜드마크 + 배경) 히트맵을 저해상도로 예측한다. 여기서 각 채널은 가우시안 분포를 이용해 랜드마크 존재 확률을 표현하며, 배경 채널을 추가해 클래스 불균형을 완화한다. 전역 히트맵은 ‘코스 어텐션’ 역할을 수행해 이후 단계의 탐색 영역을 제한한다.

두 번째 단계는 전역 단계에서 얻은 코스 어텐션을 기반으로 이미지 패치를 추출하고, 동일한 U‑Net 구조를 사용하지만 입력 크기를 100×100 px 정도의 고해상도 패치로 제한한다. 이렇게 하면 작은 가우시안 분포(σ가 작음)를 학습할 수 있어 미세한 위치 오차를 크게 감소시킨다. 주의 메커니즘은 전역 단계에서 추출된 19개의 최고값 좌표를 중심으로 제안 영역을 정의하고, 이 영역을 패치 추출에 활용한다.

‘Expansive Exploration’ 전략은 단일 패치가 놓칠 수 있는 주변 정보를 보완하기 위해 제안 영역을 일정 비율(예: 1.8배) 확대하고, 겹치는 영역을 다중 추론하여 평균화한다. 이는 네트워크 구조를 복잡하게 만들지 않으면서 탐색 범위를 넓히는 효과적인 방법이다.

손실 함수는 클래스 불균형을 고려해 Binary Cross‑Entropy와 Focal Loss를 1:1 비율로 결합하였다. BCE는 배경 영역을 강하게 억제하고, Focal Loss는 작은 가우시안 목표 영역에 집중하도록 설계돼 60 epoch 이후에 미세 조정을 담당한다.

실험은 ISBI 2015 Grand Challenge에서 제공한 400장의 2D cephalogram을 사용했으며, 150장씩을 학습·테스트1, 나머지 100장을 테스트2로 분리하였다. 평가 지표는 평균 방사 거리(MRE)와 성공 검출 비율(SDR)이며, 제안 모델은 전역 단계만 사용했을 때보다 국부 단계와 Expansive Exploration을 결합했을 때 MRE가 1.12 mm(테스트1)에서 1.42 mm(테스트2)로 크게 감소하고, SDR 2 mm 이하에서 86.9 %~91.8 %까지 향상되었다. 이는 기존 최고 성능(예: Lindner et al. 2015)보다 우수한 결과다.

강점으로는 (1) 전역‑국부 구조를 통한 연산 효율성, (2) 어텐션 기반 제안 영역으로 불필요한 배경 연산 최소화, (3) Expansive Exploration으로 강인성 확보, (4) 단일 모델로 19개 랜드마크를 동시 회귀한다는 점을 들 수 있다. 한계는 (①) 전역 단계의 해상도 제한으로 인해 매우 작은 구조(예: 치아 경계) 검출에 약할 수 있음, (②) 패치 기반 학습이 랜드마크 간 상호작용을 완전히 반영하지 못할 가능성, (③) 데이터셋이 2D X‑ray에 국한돼 CBCT 등 3D 영상에 바로 적용하기 어려운 점이다. 향후 연구에서는 멀티스케일 피라미드와 3D 컨볼루션을 결합하거나, 트랜스포머 기반 전역 어텐션을 도입해 전역‑국부 정보를 보다 긴밀히 교환하는 방향을 제안한다.