조건부 포인트 트랜스포머를 이용한 3D 해부학적 랜드마크 자동 검출

초록

본 논문은 3D 포인트 클라우드 형태의 골 표면에서 해부학적 랜드마크를 자동으로 찾는 Landmark Point Transformer(LmPT)를 제안한다. FiLM 기반 조건부 모듈을 도입해 인간과 개의 대퇴골처럼 종간 차이가 있는 데이터에 동시에 학습할 수 있도록 설계했으며, PTv2와 PTv3 백본을 비교한다. 인간 대퇴골 20개와 개 대퇴골 14개 데이터셋에서 평균 절대 오차(MAE)와 PCK 지표로 평가한 결과, PTv2 기반 LmPT‑v2가 전문가 수준을 뛰어넘는 정확도를 보였고, 교차 종 학습에서도 성능 저하 없이 일반화 가능함을 입증하였다.

상세 분석

LmPT는 기존 Point Transformer(PT) 구조에 조건부 Feature‑wise Linear Modulation(FiLM)을 삽입한 것이 핵심이다. FiLM은 입력 종류(예: 인간 vs. 개)를 나타내는 임베딩을 받아 스케일·시프트 파라미터를 학습하고, 이를 인코더의 bottleneck 특징에 적용함으로써 동일 네트워크가 서로 다른 형태학적 특성을 동시에 처리하도록 만든다. 이 설계는 데이터가 부족한 의료 분야에서 종간 전이 학습을 가능하게 하며, 모델 파라미터 증가 없이 조건부 적응성을 확보한다는 장점이 있다.

아키텍처는 PTv2와 PTv3 두 가지 변형을 사용한다. PTv2는 k‑NN 기반 다중 스케일 어텐션 윈도우를 통해 지역적 관계를 정밀히 포착하고, 풀링·언풀링 단계로 해상도를 조절한다. 반면 PTv3는 공간‑채우기 곡선 기반 직렬화 방식을 채택해 연산 효율을 높였지만, 실험 결과에서는 k‑NN 기반 PTv2가 랜드마크 위치 정밀도에서 우수함을 확인했다.

데이터 전처리에서는 모든 포인트 클라우드를 8192점으로 균일 샘플링하고, 무작위 회전·스케일·좌우 대칭을 적용해 데이터 다양성을 확보했다. 손실 함수는 라벨이 없는 포인트를 무시하는 채널‑별 교차 엔트로피이며, AdamW 옵티마이저와 1‑cycle 스케줄러를 500 epoch 동안 학습했다.

성능 평가는 MAE와 PCK(1~8 mm 임계값) 두 지표로 수행했으며, 인간 데이터에서는 LmPT‑v2가 평균 MAE 1.58 mm, 최고 2.54 mm를 기록해 전문가 평균 오류(AME 4.10 mm)보다 크게 개선했다. 개 데이터에서도 LmPT‑v2가 MAE 1.23 mm를 달성했으며, 기존 A&A 방법은 인간 전용이라 개에선 전혀 작동하지 않았다. 교차 종 학습에서는 인간 데이터에서 MAE가 약 0.1 mm 감소했으나, 개 데이터에서는 약 0.1 mm 상승했다. 이는 개 데이터가 인간보다 적은 랜드마크 수와 일부 비공통 랜드마크가 포함돼 조건부 모듈이 불필요한 특징을 학습할 가능성이 있기 때문이다. 그러나 전체 PCK 곡선은 교차 종 학습이 더 낮은 임계값에서 완벽에 가까운 정확도를 달성함을 보여, 종간 전이가 실제로 모델 일반화에 기여함을 시사한다.

한계점으로는 데이터 규모가 작아 통계적 유의성을 완전히 검증하기 어렵고, PTv3의 효율성은 유지하면서 정확도를 높이는 설계 개선이 필요하다. 또한, 현재는 대퇴골에만 초점을 맞추었으므로 다른 골격 부위나 전신 CT/ MRI 데이터에 대한 확장 검증이 요구된다.