작은 뇌 병변을 위한 인스턴스 기반 손실 CC DiceCE

초록

본 연구는 기존 Dice 기반 손실이 작은 뇌 병변을 과소평가하는 문제를 해결하고자, CC‑Metrics 개념을 손실 함수로 확장한 CC‑DiceCE를 제안한다. nnU‑Net 프레임워크 내에서 다섯 개의 이질적인 MRI 데이터셋(Lacunes, Cerebral Microbleeds, BrainMetShare, WMH, BraTS)에 대해 기존 DiceCE와 Blob‑DiceCE와 비교 실험을 수행하였다. 결과는 CC‑DiceCE가 전반적인 Dice 점수는 거의 유지하면서 인스턴스‑단위 재현율(Recall)과 CC‑Dice를 대부분의 데이터셋에서 향상시켰으며, 특히 작은 병변뿐 아니라 모든 크기의 병변 검출에 도움이 됨을 보여준다.

상세 분석

본 논문은 의료 영상 분할에서 작은 병변이 전체 손실에 미치는 기여도가 낮아 검출률이 떨어지는 현상을 정확히 짚어낸다. 기존의 DiceCE 손실은 부피 비율에 따라 가중치가 부여되므로, 대형 병변이 손실을 지배하고 작은 병변은 그래디언트 흐름에서 거의 무시된다. 이를 보완하기 위해 인스턴스‑단위 손실을 도입한 선행 연구(blob loss, ICI loss)가 있었지만, 이들 역시 실험 설정이 일관되지 않거나 단일 데이터셋에 국한되는 한계가 있었다.

저자들은 CC‑Metrics를 손실 함수로 변형한 CC‑DiceCE를 설계하였다. CC‑Metrics는 각 연결된 컴포넌트(lesion)에 대해 Voronoi 영역을 정의하고, 해당 영역 내에서 전역 DiceCE를 계산한다. 이렇게 하면 각 병변이 크기에 관계없이 동일한 기여도를 갖게 되며, 특히 누락된 병변(거짓 음성)은 해당 컴포넌트의 1/N 기여도가 최악값으로 설정돼 큰 페널티를 부여한다. 반면 거짓 양성은 해당 Voronoi 영역에만 영향을 미치므로 정밀도 저하가 제한적이다.

실험은 nnU‑Net의 표준 설정을 그대로 유지하면서, 손실 함수만 DiceCE, Blob‑DiceCE, CC‑DiceCE로 교체하였다. 5‑fold 교차 검증을 통해 전역 Dice, CC‑Dice, 인스턴스‑단위 F1, 그리고 병변 크기 사분위별 Recall을 측정했다.

주요 결과는 다음과 같다.

1. 전역 Dice는 대부분의 데이터셋에서 ±0.01 이내 변동에 그쳐, CC‑DiceCE가 전체 형태 보존에 크게 영향을 주지 않음을 확인했다.
2. CC‑Dice와 Recall은 Lacunes, CMB, BrainMetShare, BraTS에서 유의미하게 상승했으며, WMH에서는 약간 감소했지만 전체적인 추세는 향상이었다.
3. Blob‑DiceCE는 일부 데이터셋(Lacunes, WMH)에서 Dice가 현저히 떨어지는 반면, CC‑DiceCE는 이러한 손실을 최소화했다.
4. 사분위별 Recall 분석에서 작은 병변(0‑25%)뿐 아니라 중대·대형 병변(25‑100%)에서도 검출률이 고르게 개선되었다. 이는 CC‑DiceCE가 단순히 “작은 물체 탐지기”가 아니라, 인스턴스 레벨에서 균형 잡힌 정규화 역할을 함을 시사한다.

또한, 저자들은 학습 스케줄(1000 epoch vs 150 epoch) 차이에 따른 과적합 현상을 관찰했다. WMH와 Blob‑DiceCE는 짧은 학습 단계에서 Dice와 CC‑Dice가 모두 상승했으며, 이는 기본 nnU‑Net 설정이 일부 데이터에 과적합될 가능성을 보여준다.

이러한 분석을 종합하면, CC‑DiceCE는 (1) 손실 함수에 인스턴스‑단위 균등 가중치를 도입해 작은 병변을 놓치지 않게 하고, (2) 전역 형태 보존을 위한 DiceCE와 1:1 비율로 결합함으로써 전체 세분화 품질을 유지한다는 장점을 가진다. 특히, 임상 현장에서 “거짓 음성보다 거짓 양성을 허용하는” 전략이 필요할 때 유용하게 적용될 수 있다.