직관적 퍼지 논리를 적용한 UNet 기반 뇌 MRI 분할 모델

초록

본 논문은 뇌 MRI 영상의 부분 부피 효과와 경계 불확실성을 완화하기 위해 직관적 퍼지 집합(IFS)의 멤버십, 비멤버십, 주저도 3가지 차원을 입력으로 활용한 IF‑UNet을 제안한다. IBSR 데이터셋(20개 T1‑weighted 스캔)에서 기존 UNet 및 Attention‑UNet과 비교했을 때 정확도, Dice, IoU 모두 향상된 결과를 보였다.

상세 분석

IF‑UNet은 기존 UNet의 인코더 단계에 직관적 퍼지 변환을 삽입함으로써 입력 영상을 µ(멤버십), ν(비멤버십), π(주저도) 세 채널로 확장한다. 이때 비멤버십은 Sugeno의 부정 함수(ν=1−µ/(1+λµ), λ>0)를 이용해 계산하고, 주저도는 1−µ−ν 로 정의한다. 변환된 3‑채널 텐서는 기존 컨볼루션 연산에 그대로 입력되며, 멤버십·비멤버십 정보는 특징 추출에, 주저도는 경계 영역의 불확실성을 강조한다. 스킵 연결은 변환된 퍼지 특징을 그대로 전달해 디코더가 고해상도 정보를 복원하도록 돕는다. 실험에서는 동일한 학습 설정 하에 UNet, Attention‑UNet과 비교했으며, IF‑UNet이 정확도 0.93→0.96, Dice 0.88→0.92, IoU 0.81→0.86 정도의 상승을 기록했다. 그러나 데이터 양이 제한적이며(20건), 교차 검증이나 통계적 유의성 검증이 누락되었다. 또한 퍼지 변환 과정에서 추가적인 연산 비용과 메모리 사용량이 증가했음에도 불구하고, 이를 정량적으로 평가하지 않은 점이 아쉽다. 향후 3‑D 볼륨에 대한 확장, λ 파라미터 최적화, 멤버십·비멤버십·주저도 각각의 기여도를 밝히는 Ablation Study가 필요하다.