의료 영상 분할을 위한 올인원 파이썬 프레임워크 MIScnn

초록

MIScnn은 데이터 입출력, 전처리, 증강, 패치 기반 학습, 다양한 평가 지표와 최신 3D U‑Net 등 딥러닝 모델을 한 API에 통합한 오픈소스 파이썬 라이브러리다. 높은 설정 가능성과 모듈식 인터페이스를 통해 연구자는 몇 줄의 코드만으로 KiTS19와 같은 대규모 CT 데이터셋에 대한 교차 검증 파이프라인을 손쉽게 구축하고, 재현 가능한 성능을 얻을 수 있다.

상세 분석

MIScnn은 의료 영상 분할 작업에 특화된 전처리·증강·패치 추출·모델 학습·예측·평가 전 과정을 일관된 인터페이스로 제공한다. 먼저 NIfTI·DICOM·HDF5 등 다양한 포맷을 자동으로 읽어들이며, 좌표 정규화, 강도 정규화, 리샘플링, ROI 기반 마스킹 등 의료 영상에 흔히 요구되는 전처리 파이프라인을 모듈식으로 조합할 수 있다. 데이터 증강은 3D 회전, 스케일링, 플립, 엘라스틱 변형 등 GPU 가속을 활용한 실시간 변환을 지원해 학습 데이터 다양성을 크게 향상시킨다.
패치 기반 학습은 메모리 제한이 심한 3D CT·MRI 데이터에 필수적인데, MIScnn은 겹치는 패치 추출, 패치 재조합, 경계 보정 기능을 내장한다. 이를 통해 3D U‑Net, V‑Net, Attention U‑Net 등 최신 아키텍처를 손쉽게 교체·실험할 수 있는 모델 라이브러리를 제공한다. 모델 정의는 Keras·TensorFlow 2.x 기반이며, 사용자 정의 레이어와 손실 함수를 자유롭게 삽입할 수 있다.
학습 루프는 자동 학습률 스케줄링, 조기 종료, 체크포인트 저장, 다중 GPU 분산 학습을 지원한다. 평가 단계에서는 Dice, Jaccard, Hausdorff Distance, Sensitivity, Specificity 등 의료 영상에 적합한 지표를 일괄 계산하고, 교차 검증 파이프라인을 한 번의 호출로 수행한다. 결과는 CSV·JSON·시각화 이미지 등 다양한 포맷으로 저장돼 재현성과 보고에 용이하다.
MIScnn의 설계 철학은 “설정은 최소화하고, 확장은 무제한”이다. 모든 구성 요소는 JSON·YAML 파일 혹은 파이썬 딕셔너리로 선언 가능하며, 사용자 정의 모듈을 플러그인 형태로 삽입할 수 있다. 오픈소스 라이선스와 깃허브 저장소를 통해 커뮤니티 기여가 활발히 이루어지고 있다. KiTS19 300건 CT 데이터셋에 3D U‑Net을 적용한 교차 검증 실험에서는 평균 Dice 0.89 이상의 성능을 달성했으며, 전체 파이프라인 구축에 소요된 코드는 30줄 미만이었다. 이는 기존 독립형 구현 대비 개발 효율성을 크게 높인 사례라 할 수 있다.