다중기관 MRI에서 자동 EPVS 분할을 위한 표준화된 평가와 MICCAI 2024 챌린지 결과

초록

본 논문은 MICCAI 2024에서 개최된 Enlarged Perivascular Spaces (EPVS) Segmentation Challenge의 설계, 데이터셋, 참가팀들의 방법론 및 성능을 종합적으로 보고한다. 100개의 학습·50개의 검증·50개의 테스트 MRI(다중모달 T1, T2, T2‑FLAIR)와 STRIVE 기반 정밀 라벨을 제공했으며, 7개 팀이 U‑Net 기반·MedNeXt·Transformer 등 다양한 딥러닝 모델을 제출했다. 주요 평가지표는 Dice, 절대 부피 차이, Recall, Precision이며, 최우수 모델은 2D/3D 하이브리드 MedNeXt 구조를 사용했다. 테스트에서 기존 데이터셋에 대한 성능은 양호했지만, 새로운 상하이 코호트에서는 도메인 쉬프트로 인한 성능 저하가 뚜렷이 나타났다.

상세 분석

본 챌린지는 EPVS와 같은 초소형 병변을 자동화하기 위한 실질적인 벤치마크를 제공한다는 점에서 의의가 크다. 첫째, 데이터 구성은 영국, 싱가포르, 중국 3개 국가의 다중 스캐너·다중 프로토콜을 포함해 실제 임상 현장의 다양성을 반영한다. 특히 상하이 코호트는 큰 슬라이스 간격과 높은 해상도를 동시에 갖는 특수한 설정으로, 훈련 데이터와의 도메인 차이를 극명히 드러낸다. 둘째, 참가팀들은 대부분 U‑Net 변형을 기반으로 했지만, 혁신적인 요소가 두드러졌다. 예컨대, 2D와 3D 컨볼루션을 병행해 슬라이스 두께 변동에 대응한 MedNeXt, 멀티모달 입력을 효율적으로 융합한 Cross‑Attention Transformer, 그리고 다중 모델 앙상블을 통한 불확실성 감소 전략 등이 제시되었다. 이러한 설계는 작은 크기의 EPVS를 잡아내는 민감도(Recall)를 높이는 동시에 거짓 양성(Precision)도 억제하려는 시도로 해석된다. 셋째, 평가 지표는 Dice 외에 절대 부피 차이(AVD)를 포함해 정량적 임상 해석 가능성을 강조한다. 결과적으로 상위 3팀은 Dice 0.620.68, AVD 1522 % 수준을 기록했으며, 특히 MedNeXt 기반 모델은 2D/3D 혼합 전략 덕분에 다양한 슬라이스 두께에 강인한 성능을 보였다. 그러나 모든 팀이 상하이 테스트에서 Dice가 0.45 이하로 급락하는 등 도메인 일반화 문제가 공통적으로 드러났다. 이는 이미지 강도 정규화, 스타일 전이, 혹은 도메인 적응 기법이 아직 충분히 적용되지 않았음을 시사한다. 마지막으로, 챌린지 운영 측면에서 Docker 기반 제출·자동 평가 파이프라인을 구축하고, 합성 데이터와 실제 라벨을 모두 제공함으로써 재현성과 확장성을 확보했다. 전체적으로 본 연구는 EPVS 자동 분할의 현재 한계와 향후 연구 방향(도메인 적응, 라벨 효율화, 임상 해석 연계)을 명확히 제시한다.