동적 K NN 어텐션과 CSP 인코더를 활용한 효율적인 전립선 MRI 분할 네트워크

초록

본 연구는 전립선 MRI 영상에서 선종을 실시간으로 정확하게 분할하기 위한 효율적인 딥러닝 모델인 KLO-Net을 제안합니다. 기존 U-Net 구조에 계산 효율적인 CSP 인코더 블록과, 각 위치마다 필요한 어텐션 연결 수를 동적으로 결정하는 새로운 동적 K-NN 어텐션 메커니즘을 통합하여, 높은 분할 정확도를 유지하면서도 계산 부하와 메모리 사용량을 크게 줄였습니다. PROMISE12와 PROSTATEx 공개 데이터셋에서의 실험을 통해 제안 모델의 우수성을 입증했습니다.

상세 분석

KLO-Net의 핵심 기술적 기여는 두 가지로 요약됩니다. 첫째는 동적 K-Nearest Neighbor (K-NN) 어텐션 메커니즘입니다. 기존의 고정된 K값을 사용하는 K-NN 어텐션과 달리, 각 공간 위치(픽셀)마다 필요한 어텐션 연결의 밀도(τ)를 예측하는 소형 게이트 네트워크를 도입했습니다. 복잡한 경계 영역(τ ≈ 1)에서는 많은 수의 이웃(K)을 참조하고, 단순한 배경 영역(τ ≈ 0)에서는 적은 수의 이웃만 참조하도록 함으로써, 불필요한 계산을 줄이면서도 중요한 장기 의존성(Long-range Dependency)을 효과적으로 포착합니다. 이는 전립선처럼 형태와 경계가 불명확한 표적의 분할에 매우 유용한 특성입니다.

둘째는 Cross Stage Partial (CSP) 인코더 블록의 전략적 적용입니다. CSP는 특징맵을 두 개의 경로로 나누어 하나는 변환을, 다른 하나는 간단한 Identity 매핑을 수행한 후 다시 합치는 방식으로, 기울기 흐름을 개선하고 계산적 중복성을 줄입니다. KLO-Net은 U-Net 인코더의 표준 이중 합성곱 블록을 이 CSP 모듈로 대체하여, 모델 파라미터 수를 약 20% 가량 줄이면서도 성능 하락 없이 오히려 효율성을 향상시켰습니다.

아블레이션 연구 결과는 각 구성 요소의 효과를 명확히 보여줍니다. 기본 U-Net 대비 CSP만 적용 시 파라미터는 감소했지만 성능은 유사했고, 동적 K-NN 어텐션만 적용 시 분할 정확도(DSC)가 크게 향상되었으나 파라미터는 증가했습니다. 두 기술을 결합한 KLO-Net은 가장 높은 DSC(0.8555)와 가장 낮은 Hausdorff Distance(6.4355)를 기록하면서도 CSP 단독 적용 모델보다 적은 파라미터를 사용하는 최적의 균형을 달성했습니다. 이는 동적 어텐션이 모델의 표현력을 높이고, CSP가 그로 인한 계산 비용 증가를 상쇄하는 시너지 효과를 낳았음을 의미합니다.