코로나리 동맥 자동 분할을 위한 CASR 넷

초록

CASR‑Net은 X‑ray 관상동맥조영술 영상을 대상으로 전처리·분할·정제 3단계 파이프라인을 제시한다. CLAHE와 개선된 Ben Graham 기법을 결합한 다채널 전처리로 이미지 대비와 잡음을 동시에 개선하고, DenseNet121 인코더와 Self‑ONN 디코더를 결합한 UNet 구조로 좁은 병변 부위까지 연속성을 유지한다. 마지막 컨투어 정제 모듈은 거짓 양성을 억제한다. 5‑fold 교차검증 결과 IoU 61.43 %, DSC 76.10 %, clDice 79.36 %를 달성해 기존 최첨단 모델을 능가한다.

상세 요약

본 논문은 관상동맥조영술 영상에서 자동으로 혈관을 분할하기 위한 새로운 딥러닝 프레임워크인 CASR‑Net을 제안한다. 핵심은 세 단계로 구성된 파이프라인이다. 첫 번째 단계인 전처리에서는 기존의 CLAHE(Contrast Limited Adaptive Histogram Equalization)와 Ben Graham 방식(노이즈 억제와 샤프닝을 동시에 수행하는 비선형 필터)을 각각 단독으로 적용했을 때보다 두 기법을 다채널 형태로 병합함으로써 대비 향상과 잡음 감소를 동시에 달성한다. 실험 결과, 전처리만으로도 Dice Score가 0.310.89 % 상승하고 IoU가 0.401.16 % 향상되는 것이 확인되었다.

두 번째 단계인 분할 네트워크는 UNet 구조를 기반으로 하면서 인코더에 사전학습된 DenseNet121을 채택해 풍부한 피처를 추출한다. 특히 디코더 부분에 Self‑organized Operational Neural Network(Self‑ONN)를 도입했는데, 이는 전통적인 컨볼루션 연산 대신 가변적인 연산자를 학습하도록 설계된 구조로, 혈관의 얇은 분지와 협착 부위에서 발생하기 쉬운 끊김 현상을 효과적으로 완화한다. Self‑ONN은 연산자 매개변수를 동적으로 조정함으로써 비선형 특성을 강화하고, 기존 Conv‑Deconv 방식보다 파라미터 효율성을 유지하면서도 표현력을 크게 높인다.

세 번째 단계인 정제 모듈은 분할 결과의 컨투어를 후처리하여 작은 잡음 영역과 거짓 양성을 제거한다. 구체적으로, Morphological Opening과 Connected Component Analysis를 결합해 최소 면적 이하의 객체를 삭제하고, 혈관 연속성을 보존하기 위해 구조적 손실 함수인 clDice를 최적화 목표에 포함시켰다.

데이터셋은 두 개의 공개 관상동맥조영술 데이터(건강군 및 협착군 포함)를 통합해 5‑fold 교차검증을 수행했으며, 비교 대상 모델로는 기존 UNet, Attention‑UNet, DeepLabV3+, 그리고 최신 Transformer 기반 SegFormer 등을 포함했다. 모든 지표에서 CASR‑Net이 우수한 성능을 보였으며, 특히 협착 부위와 같은 미세 구조에서의 IoU와 clDice 향상이 두드러졌다.

한계점으로는 전처리 단계에서 추가적인 연산 비용이 발생하고, Self‑ONN 디코더의 학습 안정성을 확보하기 위한 하이퍼파라미터 튜닝이 필요하다는 점을 들 수 있다. 향후 연구에서는 전처리 파이프라인을 경량화하고, Self‑ONN을 보다 일반화된 연산자로 확장해 다른 혈관 영상 분야에도 적용 가능성을 탐색할 계획이다.