디스크 중심 대조 학습을 이용한 요추 협착증 등급 자동화

초록

본 연구는 요추 MRI의 단일 디스크 ROI에 대조 학습을 적용해, 디스크 수준의 특징을 강화하고 클래스 불균형을 보정한 후 중증‑정상 오분류를 크게 감소시킨 자동 등급화 모델을 제안한다.

상세 분석

이 논문은 요추 협착증(LSS) 진단에서 가장 핵심적인 해부학적 단위인 추간판을 직접 대상으로 하는 ‘디스크‑센트릭’ 접근법을 제시한다. 기존 연구들은 전체 3D 볼륨을 처리하거나 복잡한 다단계 파이프라인을 사용해 높은 연산 비용과 대규모 라벨링 의존성을 초래했지만, 저자는 좌우 2D sagittal T2‑weighted 이미지에서 좌표 기반으로 추출한 고정 크기 ROI 하나만을 입력으로 삼는다. 이렇게 하면 메모리 요구량이 크게 감소하고, 임상 현장에서 실시간 적용이 가능해진다.

대조 학습 단계에서는 각 디스크에 대해 V=3개의 stochastic view를 생성해 다중 양성 샘플을 구성한다. 이는 전통적인 인스턴스‑디스크리미네이션과 달리 동일 디스크 내 변형을 모두 양성으로 간주함으로써, 이미지 노이즈·스캔 파라미터 차이와 같은 비진단적 변동에 대한 불변성을 학습한다. 코사인 유사도를 기반으로 한 NT‑Xent(InfoNCE) 손실을 사용하면서, 서로 다른 디스크 간에는 유사도를 최소화하도록 설계하였다. 이 과정에서 ResNet‑18을 1채널 입력에 맞게 수정하고, 최종 FC 레이어를 제거해 일반적인 해부학적 특징 추출기 역할을 하게 만든 점이 주목할 만하다.

전이 단계에서는 사전 학습된 백본을 부분적으로 동결하고, 디스크 레벨 임베딩을 Deep Sets의 평균 집계 방식으로 풀링한다. 이렇게 하면 현재는 단일 ROI(S=1)만 사용하지만, 향후 다중 슬라이스 입력(S>1)에도 구조적 변경 없이 확장이 가능하도록 설계되었다. 또한, 클래스 불균형을 해결하기 위해 가중치가 부여된 focal loss(α, γ 파라미터 조정)를 적용했으며, 이는 ‘Severe’ 케이스가 극히 드문 상황에서도 모델이 해당 샘플에 집중하도록 만든다.

실험 결과는 78.1%의 balanced accuracy와 2.13%의 severe‑to‑normal 오분류율을 기록했으며, 이는 동일 데이터셋에서 스크래치 학습한 경우에 비해 현저히 개선된 수치이다. 특히 moderate 등급 구분이 여전히 어려운 점을 인정하면서도, 디스크 수준 특징에 초점을 맞춘 접근이 임상적 위험을 최소화하고, 실제 진료 흐름에 적용 가능한 실용적 솔루션임을 강조한다.

전체적으로, 이 논문은 (1) 해부학적 ROI 기반의 데이터 효율성, (2) 다중 양성 대조 학습을 통한 변동성 억제, (3) 클래스 불균형에 특화된 손실 함수 적용, (4) Deep Sets 기반의 확장 가능한 풀링 구조라는 네 가지 핵심 기술을 결합해, 요추 협착증 자동 등급화 분야에 새로운 패러다임을 제시한다는 점에서 의의가 크다.