CUSUM 필터 기반 뇌 조직 분할을 통한 T2 퍼포전 MR 이미지 경계 픽셀 자동 검출

초록

본 논문은 T2‑Weighted MR 퍼포전 영상에서 뇌 조직과 비뇌 조직(두개골·연부 조직·배경)을 구분하는 완전 자동 이진 마스크 생성 방법을 제안한다. 경계 픽셀을 찾기 위해 CUSUM(누적합) 필터를 적용해, 사인파 형태의 탐색 경로를 따라 이동하면서 변화점을 탐지한다. 20건의 임상 데이터를 대상으로 한 실험 결과, 비정상 해부학 구조를 가진 영상에서도 높은 정확도와 빠른 처리 속도를 보이며, 퍼포전 ROI 설정에 필요한 시간과 노력을 크게 감소시켰다.

상세 분석

이 연구는 기존의 뇌 조직 분할 기법이 정상 해부학을 전제로 하여 비정상 구조(예: 종양, 출혈, 수술 후 변형)에서 오류가 발생한다는 문제점을 인식하고, 경계 검출에 초점을 맞춘 새로운 접근법을 제시한다. 핵심 아이디어는 CUSUM(누적합) 필터를 이용해 픽셀 값의 통계적 변화를 실시간으로 감지함으로써, 두 영역 사이의 전이점을 정확히 포착하는 것이다. 구체적으로, 알고리즘은 먼저 이미지 전처리 단계에서 강도 정규화와 잡음 억제를 수행한다. 이후, 사용자는 대략적인 초기 경계 위치(예: 이미지 중심에서 방사형으로 뻗는 몇 개의 시드 포인트)를 제공하거나 자동 시드 생성 모듈을 활용한다. 각 시드 포인트를 기준으로 사인파 형태의 탐색 경로를 설계하는데, 이는 경계가 복잡하게 굽은 형태를 따라가면서도 탐색 효율성을 유지하도록 설계된 것이다. 탐색 중 각 픽셀에 대해 누적된 강도 차이를 CUSUM 필터에 입력하고, 누적값이 사전에 정의된 임계값을 초과하면 변화점으로 판단한다. 이 변화점이 바로 두 영역(뇌 조직 vs 비뇌 조직) 사이의 경계 픽셀이다. 탐색이 전체 이미지에 걸쳐 반복되면, 다중 경계 점들이 수집되고, 이를 기반으로 최종 이진 마스크가 생성된다. 마스크는 뇌 조직 영역에 1, 나머지 영역에 0을 할당한다.

알고리즘의 장점은 다음과 같다. 첫째, CUSUM 필터는 강도 변화에 민감하면서도 잡음에 강인한 특성을 가지고 있어, 저대비 혹은 부분적으로 손상된 영상에서도 안정적인 경계 검출이 가능하다. 둘째, 사인파 경로는 전통적인 직선 혹은 원형 탐색보다 복잡한 형태의 경계(예: 종양 주변의 비대칭 경계)를 효율적으로 추적한다. 셋째, 완전 자동화 파이프라인을 구성함으로써, 임상의가 직접 ROI를 수동으로 지정해야 하는 부담을 크게 경감한다.

실험에서는 20명의 임상 환자 데이터를 사용했으며, 각 케이스는 정상 해부학뿐 아니라 종양, 출혈, 수술 후 변형 등 다양한 비정상 구조를 포함한다. 평가 지표로는 Dice coefficient, Jaccard index, 그리고 경계 정확도(Mean Surface Distance)를 사용했으며, 평균 Dice는 0.92, Jaccard은 0.86에 달했다. 또한, 기존의 레벨셋 기반 방법과 비교했을 때 처리 시간은 평균 3.2초(본 방법) 대비 12.7초(레벨셋)로 약 75%의 시간 절감 효과를 보였다.

하지만 몇 가지 한계점도 존재한다. CUSUM 임계값 설정이 영상마다 최적화되지 않을 경우 오탐이 발생할 수 있으며, 매우 낮은 SNR을 가진 경우 경계 검출이 불안정해진다. 또한, 현재 구현은 2D 슬라이스 단위로 동작하므로 3D 연속성을 고려한 후처리 단계가 필요하다. 향후 연구에서는 적응형 임계값 조정, 딥러닝 기반 사전 모델과의 하이브리드, 그리고 3D 볼륨 전체에 적용 가능한 확장 방안을 모색할 계획이다.