디코더‑프리 슈퍼볼륨 그래프 신경망으로 구현한 고정밀 뇌종양 위치 추정

초록

SVGFormer는 3D MRI를 슈퍼볼륨 단위로 분할해 그래프 형태로 변환하고, 패치‑레벨 트랜스포머와 슈퍼볼륨‑레벨 그래프 어텐션 네트워크를 결합한 인코더‑전용 구조를 제안한다. 디코더 없이 모든 파라미터를 특징 학습에 집중시켜 BraTS 데이터셋에서 노드‑레벨 종양 유무 분류(F1 = 0.875)와 종양 비율 회귀(MAE = 0.028) 모두 높은 성능을 달성했으며, 패치와 슈퍼볼륨 수준의 이중 해석 가능성을 제공한다.

상세 분석

본 논문은 기존 3D 의료 영상 처리에서 흔히 사용되는 encoder‑decoder 형태, 특히 U‑Net 계열이 파라미터의 상당 부분을 복원(decoder) 단계에 할당함으로써 실제 특징 추출 효율을 저해한다는 점을 비판한다. 이를 극복하기 위해 저자들은 두 단계의 계층적 인코더를 설계하였다. 첫 번째 단계는 3D SLIC 알고리즘으로 생성된 슈퍼볼륨(SV) 각각에 대해 k‑means++ 기반 패치 샘플링을 수행하고, 각 패치를 다중 모달리티( T1‑WI, T1ce, T2‑WI, FLAIR )와 좌표 정보를 포함한 256‑차원 임베딩으로 변환한다. 이후 5‑layer, 8‑head 트랜스포머가 패치 토큰을 처리해