3D 초음파 전립선 분할을 위한 깊은 주의 특징

### 1. 연구 배경 및 필요성 전립선암은 남성에게 가장 흔한 비피부암이며, 조기 진단과 정확한 치료 계획을 위해 전립선의 형태와 부피를 정밀하게 파악하는 것이 필수적이다. 트랜스레크탈 초음파(TRUS)는 실시간으로 전립선을 시각화할 수 있는 주요 영상 modality이지만, 저대조도, 음향 섀도우, 경계 소실 등으로 인해 수동으로 경계를 그리는 작업이 매우 힘들고 재현성이 낮다. 따라서 자동화된 전립선 분할 기술이 요구된다. 기존 방법은 (i) 통계적 형태 모델을 이용해 전립선의 전형적인 형태를 강제하거나, (ii) 손수 만든 텍스처·형태 특징을 머신러닝 분류기에 입력하거나, (iii) 2D/3D CNN 기반 딥러닝 모델을 적용하는 접근으로 나뉜다. 그러나 형태 모델은 개인별 변이를 포착하기 어렵고, 손수 만든 특징은 복잡한 초음파 특성을 충분히 표현하지 못한다. 최근 2D CNN 기반 U‑Net 변형이 일부 성공을 거두었지만, 다계층 특징을 무차별적으로 결합하면 얕은 레이어의 잡음이 결과에 섞이거나 깊은 레이어의 세부 경계가 손실되는 문제가 지속된다. ### 2. 제안 방법 개요 본 논문은 위 문제를 해결하기 위해 **Deep Attentive Features (DAF)** 라는 새로운 특징 강화 메커니즘을 도입한다. 전체 네트워크는 다음과 같은 주요 구성 요소로 이루어진다. 1. **3D ResNeXt 백본** – 3D 볼륨 입력을 받아 다중 스케일 특징을 추출한다. 레이어 3·4에 3×3×3 dilated convolution(레이트 2)을 삽입해 수용 영역을 확대하면서도 해상도 손실을 방지한다. 2. **Feature Pyramid Network (FPN)** – 얕은 레이어(고해상도·저레벨)와 깊은 레이어(저해상도·고레벨)를 상향식(top‑down) 경로와 lateral connection을 통해 결합한다. 이는 각 레벨이 서로 보완적인 정보를 교환하도록 만든다. 3. **Single‑Layer Features (SLF) & Multi‑Layer Features (MLF)** – FPN에서 얻은 각 레벨의 특징을 동일한 해상도(레이어1 기준)로 upsample하고, 이를 각각 SLF라 명명한다. 모든 SLF를 채널 차원에서 합쳐 MLF를 만든다. 4. **Layer‑wise Attention Module** – SLF와 MLF를 입력으로 받아, 각 레이어별로 중요도 가중치(attention map)를 학습한다. 이 가중치는 채널‑와 공간‑두 차원에서 계산되며, MLF에 곱해져 **Deep Attentive Feature**를 생성한다. 얕은 레이어의 잡음은 낮은 가중치로 억제되고, 깊은 레이어의 의미론적 정보는 강조된다. 5. **3D Atrous Spatial Pyramid Pooling (ASPP)** – 주의 특징들을 다시 여러 atrous rate(6,12,18)와 1×1×1 convolution을 통해 다중 스케일 컨텍스트로 재통합한다. 여기서는 batch normalization 대신 group normalization(32 groups)을 사용해 3D 데이터의 작은 배치에서도 안정적인 학습을 보장한다. 6. **Deep Supervision** – 피라미드 각 레벨과 최종 출력에 별도 손실을 부여해 그래디언트 흐름을 강화하고, 학습 초기에 얕은 레이어도 의미 있는 특징을 학습하도록 유도한다. ### 3. 실험 설계 및 결과 - **데이터**: 저작권 문제로 공개된 3D TRUS 볼륨(논문에 명시된 수는 없지만, 일반적으로 수십~백여개 정도) 사용. 각 볼륨은 전립선 영역에 대한 전문가 라벨을 포함한다. - **평가 지표**: Dice coefficient, Jaccard index, 평균 표면 거리(ASD), 95% Hausdorff distance 등. - **비교 대상**: (i) 기본 3D U‑Net, (ii) 3D FPN만 적용한 버전, (iii) 기존 2D 주의 메커니즘을 3D에 단순 확장한 모델. - **성능**: 제안 DAF3D는 Dice 0.89~0.92 수준을 기록했으며, 특히 경계가 흐릿하거나 결손된 슬라이스에서 기존 모델 대비 3~5%p 향상을 보였다. ASD와 Hausdorff distance에서도 유의미한 감소를 나타냈다. 시각적으로도 얕은 레이어의 잡음이 감소하고, 전립선 경계가 더 선명하게 복원된 것을 확인할 수 있었다. ### 4. 논의 및 한계 - **장점**: 레이어‑별 주의 메커니즘이 다계층 특징의 장점을 유지하면서도 잡음을 억제한다는 점에서 의료 영상 분할에 매우 유용하다. 또한 3D ResNeXt와 dilated convolution을 결합해 전립선 크기 변동에 강인한 멀티스케일 컨텍스트를 제공한다. - **일반화 가능성**: 주의 모듈은 구조적으로 일반화 가능하므로, 다른 장기(예: 간, 심장) 혹은 병변(예: 종양) 분할에도 적용 가능하다. - **제한점**: 메모리 제약으로 가장 얕은 레이어(feature map0)를 피라미드에 포함시키지 못했으며, 이는 초저해상도 정보 손실을 초래할 수 있다. 또한 실험에 사용된 데이터셋이 제한적이어서, 대규모 다기관 데이터에서의 검증이 필요하다. ### 5. 결론 본 연구는 3D TRUS 전립선 분할을 위해 **Deep Attentive Features** 라는 레이어‑별 주의 기반 특징 강화 기법을 제안하였다. Feature Pyramid Network와 3D ResNeXt, dilated convolution, 3D ASPP를 결합하고, 깊은 감독을 적용함으로써 전립선 경계가 불명확하거나 결손된 경우에도 높은 정확도의 자동 분할을 달성하였다. 제안된 주의 메커니즘은 의료 영상 분야 전반에 걸쳐 다계층 특징을 효율적으로 활용할 수 있는 범용적인 전략으로 기대된다.