뇌영상 스컬 스트리핑을 위한 경량 딥러닝 모델 MindGrab

초록

MindGrab은 스펙트럼 기반 팽창 합성곱 설계와 5 × 5 × 5 × 15 채널 구조를 이용해 95.9 ± 1.6 % 평균 Dice 점수를 달성한 초경량 뇌 스컬 스트리핑 모델이다. 40배 가량의 속도 향상과 메모리 사용량 감소를 통해 고성능 GPU뿐 아니라 일반 PC와 웹 브라우저에서도 실시간 전량 볼륨 처리가 가능하며, BrainChop 플랫폼을 통해 명령줄(pip install brainchop)과 제로‑설치 웹(brainchop.org) 양쪽에서 제공된다.

상세 분석

본 논문은 딥러닝 기반 스컬 스트리핑의 실용적 장벽을 해소하기 위해 두 가지 핵심 아이디어를 제시한다. 첫째, 팽창 합성곱(dilated convolution)을 주파수 영역에서 해석하여 “스펙트럼 병목” 개념을 도입한다. 3 × 3 × 3 커널에 팽창률을 적용하면 k‑space에서 주기적인 필터 복제가 발생하고, 이는 동일한 파라미터 수로 다양한 공간 주파수 대역을 동시에 감지하게 만든다. 팽창률을 1→2→4→8→16 순으로 증가시키면 고주파를, 16→8→4→2→1 순으로 감소시키면 저주파를 강조하는 효과가 있다. 저자들은 후자를 선택해 5개의 “감소 블록”(▶▶▶▶▶)을 연속 배치하고, 각 블록에 5개의 3 × 3 × 3 합성곱을 15채널로 구성하였다. 전체 네트워크는 26계층(5 × 5 × 5 × 15 + 1 × 1 × 1 proj)으로, 모든 레이어가 등축(isometric) 형태이므로 메모리 사용량이 일정하고, inference 시에는 하나의 활성화 맵만 유지하면 된다. 이는 GPU 메모리 제한이 있는 환경이나 WebGL/WebGPU 기반 브라우저 실행에 최적화된 설계이다.

둘째, 완전 합성 데이터 기반 학습 전략이다. Wirehead 파이프라인을 이용해 SynthSeg에서 파생된 라벨 맵에 무작위 변형(공간 변형, 강도 변동, 해상도 랜덤화, 블러·노이즈 등)을 적용해 250 k개의 3D 볼륨을 생성하였다. 라벨은 39개의 FreeSurfer 기반 구조를 포함하고, 171개의 라벨 맵을 다양한 절단 형태로 확대하였다. 학습은 Adam 옵티마이저와 Soft‑Dice 손실, OneCycle LR 스케줄을 50 사이클, 배치 1로 진행하였다.

평가에서는 SynthStrip, ROBEX, BET와 직접 비교했으며, 16개의 다중 모달리티(IXI T1w/T2w/PDw/MRA/DWI, FSM T1w/T2w/qT1/PDw, ASL, PCASL, EPI, QIN T1w/T2w/FLAIR, CIM CT/PET)에서 평균 Dice 95.9 %를 기록했다. 특히 ROBEX와 BET에 비해 통계적으로 유의미하게 우수했으며, SynthStrip과는 일부 데이터셋에서 미세 차이(≤3 %)를 보였지만 전반적으로 경쟁력을 유지했다. 정밀도는 SynthStrip보다 높고 재현율은 약간 낮아, 과잉 양성보다 과소 양성을 줄이는 경향을 보였다. 속도 측면에서는 GPU에서 0.3 s, CPU에서 2 s 내외로 40배 가량 가속했으며, 메모리 사용량은 기존 모델 대비 70 % 이상 절감했다.

이러한 설계와 성능은 BrainChop 플랫폼을 통해 pip install brainchop 명령줄 툴과 브라우저 기반 웹앱(brainchop.org)으로 배포되어, 별도 CUDA 드라이버나 복잡한 의존성 없이도 즉시 사용 가능하게 만든다. 결과적으로 임상 현장이나 저사양 연구실에서도 최신 딥러닝 스컬 스트리핑을 손쉽게 적용할 수 있다.