불확실성 정량화를 통한 딥러닝 기반 뇌혈관 자동 라벨링

초록

본 연구는 3D TOF-MRA 영상에서 뇌혈관을 자동으로 해부학적 라벨링하는 딥러닝 프레임워크를 제안합니다. nnUNet, CS-Net, UNet 세 가지 모델을 평가한 결과, 자체 최적화 nnUNet이 가장 높은 정확도를 보였습니다. 또한, 테스트 시간 증강과 새로운 좌표 기반 전략을 도입하여 예측의 불확실성을 정량화하고, 이를 통해 모델의 신뢰성과 해석 가능성을 크게 향상시켰습니다.

상세 분석

본 연구의 기술적 핵심은 크게 세 가지로 나눌 수 있습니다. 첫째, 다양한 딥러닝 아키텍처에 대한 체계적인 비교 평가입니다. 연구팀은 기존 연구에서 흔히 사용되는 잔여 인코더 UNet(베이스라인), 곡선 구조 인식에 강점을 가진 채널/공간 주의 메커니즘(CS-Net), 그리고 데이터셋 특성에 맞춰 전처리부터 아키텍처를 자동으로 구성하는 nnUNet을 평가했습니다. 그 결과, 하이퍼파라미터와 파이프라인 최적화를 자동화하는 nnUNet이 평균 주사위 점수 0.922, 평균 표면 거리 0.387mm로 가장 우수한 성능을 기록하며, 복잡한 혈관에서도 강건함을 입증했습니다. 이는 특정 작업에 맞춘 수동 설계보다 체계적인 자동화 접근법의 우위를 시사합니다.

둘째, 예측 불확실성의 정량화를 위한 혁신적인 방법론입니다. 기존의 테스트 시간 증강(TTA)은 회전, 이동 등 다양한 변환을 적용한 예측들의 분산을 불확실성 지표로 사용하지만, 보간 과정에서 라벨 경계에서 오류가 발생할 수 있습니다. 연구팀은 이를 해결하기 위해 ‘좌표 기반 변환’ 전략을 제안했습니다. 원본 이미지의 좌표 그리드에 변환을 적용한 후 반올림하여 원본 공간으로 매핑함으로써, 보간 오류를 최소화하고 경계면에서의 불확실성 추정 신뢰도를 높였습니다. 생성된 불확실성 지도는 해부학적 모호성, 병리적 변이, 수동 라벨링 불일치 영역을 신뢰성 있게 표시했습니다.

셋째, 임상적 유효성 검증입니다. 자동화된 라벨링 결과의 신뢰성을 확인하기 위해 동일 환자에서 취득한 4D Flow MRI 데이터를 활용했습니다. 자동 라벨과 수동 라벨에서 추출한 혈류 속도를 비교한 결과, 통계적으로 유의미한 차이가 없어 제안 프레임워크의 임상 적용 가능성을 입증했습니다. 이는 정확한 해부학적 라벨링이 필수적인 혈역학 분석的下游 작업으로의 직접적인 연계 가능성을 보여줍니다.