초음파 영상 갑상선 결절 분할을 위한 잠재 의미 특징 공동등록

본 연구는 초음파 영상에서 갑상선 결절을 정확히 분할하는 것이 임상 진단과 치료에 필수적임에도 불구하고, 다양한 스캐너 제조사와 촬영 프로토콜에 따른 이미지 도메인 차이로 기존 딥러닝 기반 세그멘테이션 모델의 일반화 성능이 크게 저하되는 문제를 해결하고자 한다. 이를 위해 저자들은 ASTN(Atlas‑guided Semantic‑based Thyroid Nodule segmentation)이라는 새로운 프레임워크를 제안한다. ASTN은 크게 두 핵심 모듈로 구성된다. 첫 번째는 ‘Atlas Selection’ 모듈이다. 여기서는 후보 초음파 이미지들을 격자 형태(u×v)로 분할하고, 각 격자 영역에 대해 결절 픽셀 비율 Pₘ와 결절 중심과 영역 중심 사이의 거리 Dₘ을 계산한다. 표준편차 Std(Pₘ)와 Std(Dₘ)를 이용해 지역 상관 점수(RCS) sₘ = Std(Pₘ) − Std(Dₘ) 를 정의한다. RCS가 높은 이미지를 각 영역별로 선택해 최종 atlas 사전을 만든다. 이 과정은 atlas가 목표 이미지와 공간·텍스처적으로 유사하도록 보장함으로써, 공동등록 과정에서 발생할 수 있는 큰 변형을 최소화한다. 두 번째는 ‘Dictionary System’이다. 여기서는 기존의 전체 이미지 기반 STN 대신 ‘Half‑STN’이라 부르는 변형 네트워크를 설계한다. 먼저, 사전 학습된 U‑Net 인코더를 사용해 목표 이미지 I_T와 atlas 이미지 I_A 각각에서 의미론적 특징 Q와 Kₐ를 추출한다. Q와 Kₐ는 채널 차원에서 브로드캐스팅 후 연결(concatenation)되어 Half‑STN에 입력된다. Half‑STN은 디코더 구조를 갖으며, 입력 특징 간의 대응 관계를 학습해 변위 필드 DFₐ를 생성한다. 변위 필드는 Id + DFₐ 형태로 atlas 라벨 L_A를 변형해 eLₐ를 만든다. 손실 함수는 변형 라벨과 실제 라벨 간의 MSE L_sim과 변위 필드의 정규화 L_sot을 가중합한 L_reg = L_sim + λ₁L_sot 으로 정의된다. 라벨 융합 단계에서는 초기 U‑Net이 만든 세그멘테이션 결과 Seg_initial을 기준으로 각 변형 라벨 eLₐ와의 유사도를 평가한다. 유사도가 높은 atlas에 더 큰 가중치를 부여하는 동적 가중치 할당 방식을 적용함으로써, 개별 atlas의 오류가 전체 결과에 미치는 영향을 억제한다. 최종 세그멘테이션은 가중 합산된 라벨을 통해 얻어진다. 실험은 두 종류의 초음파 장비에서 수집한 Thyroid Ultrasound Image(TUI) 데이터셋을 사용하였다. 기존의 Symmetric Image Normalization(SyN) 방법은 갑상선 결절에 대해 Dice = 27.3%에 불과했지만, ASTN은 Dice = 88.59%를 달성하였다. 또한, 알려진 도메인에서는 IoU가 1.34% 상승, 미지의 도메인에서는 6.524% 상승하는 등 일반화 성능이 크게 향상되었다. 다른 장기(LVM, LA, OC 등)와 비교했을 때도 유사하거나 더 높은 성능을 보였다. ASTN의 주요 기여는 다음과 같다. (1) 레이턴트 의미 정보를 활용한 공동등록 기반 세그멘테이션 프레임워크 제안, (2) 지역 상관 점수(RCS) 기반 atlas 선택 알고리즘으로 데이터 분포 다양성을 포괄, (3) Half‑STN과 동적 라벨 융합을 통한 높은 정확도와 도메인 일반화 달성. 한계점으로는 atlas 구축을 위한 라벨링 비용과 Half‑STN의 복잡성으로 인한 학습·추론 비용 증가가 있다. 향후 연구에서는 자기 지도 학습을 통한 자동 atlas 생성, 경량화 네트워크 설계, 그리고 실시간 임상 적용을 위한 최적화가 필요하다.