ZFP 압축으로 뇌혈관 3D 세그멘테이션 효율성 확보

초록

본 연구는 최신 3D 뇌혈관 데이터셋에 ZFP 압축을 적용해 압축률과 세그멘테이션 정확도(Dice) 사이의 관계를 정량적으로 평가한다. 고정 비트율(16‑2 bits/voxel)과 오류 허용 모드(절대 오차 500‑1500) 두 가지 설정을 실험했으며, 최대 22.89:1의 압축률에서도 평균 Dice 점수는 0.87656으로 거의 변동이 없었다. 결과는 ZFP가 대용량 의료 영상의 저장·전송 비용을 크게 낮추면서도 자동 세그멘테이션 성능을 유지할 수 있음을 보여준다.

상세 분석

본 논문은 3차원 의료 영상의 급증으로 인한 저장·전송 병목을 해소하고자, 비학습 기반 고성능 압축기인 ZFP를 뇌혈관 세그멘테이션 파이프라인에 직접 적용한 점이 가장 큰 특징이다. 데이터셋은 RSNA Intracranial Aneurysm Detection 대회에서 제공된 다기관 CT/MR 영상과 13개 혈관 구역에 대한 정밀 마스크를 포함한 3D 볼륨으로, 원본 용량은 약 3.85 GB에 달한다. 압축은 파이썬 구현(pyzfp)을 이용해 두 모드로 수행했으며, 고정 비트율 모드에서는 16, 8, 4, 2 bits/voxel을, 오류 허용 모드에서는 절대 오차 500, 1000, 1500을 각각 적용하였다.

세그멘테이션 모델은 최신 Mamba 기반 구조인 MambaVesselNet과 U‑Mamba를 사용했으며, 64³ voxel 패치, 배치 8, 5 000 iteration 학습 후 Dice + Cross‑Entropy에서 Focal Loss로 전이하는 적응형 손실 스케줄링을 적용했다. 평가 지표는 Dice와 IoU 두 가지를 사용했으며, 특히 얇은 혈관 구조에 민감한 IoU를 보조 지표로 채택했다.

실험 결과, 고정 비트율 2 bits/voxel(압축률 7.96:1)에서도 평균 Dice는 0.87734로 원본 0.87738과 통계적으로 유의미한 차이가 없었다. 오류 허용 모드에서는 절대 오차 1500에 대해 압축률 22.89:1를 달성했으며, 평균 Dice는 0.87656으로 0.001 정도만 감소했다. 이는 ZFP가 데이터의 통계적 중복성을 효과적으로 제거하면서도, 신경망이 학습에 활용하는 핵심 특징(경계, 강도 변화 등)을 보존한다는 것을 의미한다.

또한, 압축 후 재구성된 볼륨에 대한 시각적 품질(PSNR, SSIM)은 크게 저하되었지만, 다운스트림 세그멘테이션 성능은 거의 유지되었다는 점에서 “시각적 품질보다 작업‑특화 품질”이라는 기존 연구와 일치한다. 논문은 ZFP가 학습 기반 압축(예: MedZip, TDSIC) 대비 구현 복잡도와 학습 비용이 거의 없으며, 동일하거나 더 높은 압축률을 제공한다는 실용적 장점을 강조한다.

한계점으로는 압축 파라미터 탐색이 제한적이며, 다른 압축 알고리즘과의 직접 비교가 부족하다는 점을 들 수 있다. 향후 연구에서는 다양한 신경망 아키텍처와 멀티모달(CT + MRI) 데이터에 대한 일반화 성능을 검증하고, 압축‑인코딩 파이프라인을 자동화해 실시간 임상 워크플로에 적용하는 방안을 모색할 필요가 있다.