의료용 점군 업샘플링 기반 고정밀 3D 골반 재구성

초록

Med-PU는 SAM‑Med3D로부터 얻은 저밀도 분할 마스크를 점군으로 변환한 뒤, 대규모 골반 형태 데이터(MedShapePelvic)로 학습된 점군 업샘플링 네트워크에 입력하여 고밀도·정밀한 3D 골반 메쉬를 자동 생성한다. Chamfer, Hausdorff, F‑Score 등 다양한 지표에서 기존 PU‑계열 방법들을 지속적으로 능가하며, 해부학적 왜곡을 최소화한다.

상세 분석

본 논문은 의료 영상에서 흔히 발생하는 “분할‑메시 변환” 격차를 해소하기 위해 두 가지 핵심 아이디어를 결합한다. 첫 번째는 최신 3D 세그멘테이션 모델인 SAM‑Med3D를 활용해 CT 볼륨에서 골반 뼈의 voxel‑wise 마스크를 얻고, 이를 좌표 집합 형태의 점군으로 변환한다. 이 점군은 원본 voxel 해상도와 스캔 노이즈에 의해 매우 희소하고 불완전하며, 전통적인 Marching‑Cubes 기반 메쉬화에서는 jagged edge와 non‑manifold 현상이 빈번히 발생한다. 두 번째는 이러한 희소 점군을 고밀도 점군으로 변환하는 점군 업샘플링 네트워크를 도입함으로써, “암묵적 해부학적 사전(prior)”을 학습한다는 점이다. 기존 PU‑Net, PU‑GCN, Grad‑PU, PUCRN 등은 주로 CAD 모델이나 합성 PU1k 데이터에 최적화돼 있어 복잡한 인체 골격 형태에 일반화하기 어렵다. Med‑PU는 MedShapePelvic(≈5만 개의 고품질 골반 메쉬)에서 추출한 patch‑level 점군을 학습 데이터로 사용함으로써, 실제 해부학적 변이와 미세한 표면 디테일을 포괄하는 분포를 모델링한다.

수학적으로는 입력 점군 X와 목표 점군 Y를 각각 경험적 측도 μ_X, ν_Y 로 정의하고, 업샘플링 함수 f_θ가 μ_X 를 ν_Y 로 정렬하도록 학습한다. 손실 함수는 대칭 Chamfer Distance(식 1)이며, 이는 점군 간 최근접 거리의 평균 제곱합을 최소화한다. 이 과정에서 네트워크는 전역 형태 특징과 로컬 디테일을 동시에 학습해, 입력이 512, 1024, 2048 포인트 등 다양한 밀도에서도 안정적인 고밀도 출력(4배 업샘플링)을 생성한다.

실험에서는 Pelvic1k(실제 임상 CT)에서 추출한 테스트 셋에 대해, Med‑PU가 기존 SOTA 모델 대비 Chamfer Distance를 평균 12‑15% 감소시키고, Hausdorff Distance와 Edge‑Chamfer 등 최악‑케이스 지표에서도 유의미한 개선을 보였다. 또한, 업샘플링 후 Marching‑Cubes 로 재구성한 메쉬는 Area‑Length Ratio≈0.96, Manifoldness Rate≈0.99, Connected Component Discrepancy≈0을 기록, 기하학적 품질과 토폴로지 일관성이 크게 향상되었음을 입증한다.

한계점으로는 현재 골반에 특화된 사전 학습이므로, 복잡한 내부 장기(예: 심장, 뇌)와 같은 비골격 구조에 바로 적용하기엔 추가 데이터와 네트워크 튜닝이 필요하다. 또한, 업샘플링 단계에서 계산 비용이 상대적으로 높아 실시간 임상 워크플로우에 적용하려면 경량화가 요구된다.

종합적으로 Med‑PU는 “분할 → 점군 → 업샘플링 → 메쉬”라는 전형적인 의료 3D 파이프라인에 데이터‑기반 형태 사전을 삽입함으로써, 기존 SSM(landmark+PCA) 방식보다 자동화 수준과 재현성을 크게 높인 혁신적 접근이다.