뇌출혈 자동 진단을 위한 다중 스케일 주의·불확실성 퍼지 통합 모델

초록

본 논문은 CT 스캔 이미지에서 뇌내 출혈(ICH) 및 경막하 출혈(SDH) 여부를 이진 분류하는 새로운 딥러닝 프레임워크를 제안한다. Co‑Scale Convolutional Attention(CCA) 기반 특징 추출기에 두 단계의 레이어를 추가해, (1) PCA‑선택·부트스트랩 포레스트 기반 특징 스크리닝으로 50개의 고분산 특징 중 판별력이 낮은 것을 제거하고, 남은 특징을 부스팅 신경망에 입력한다. (2) 연속 슬라이스 간 의존성을 고려한 불확실성 기반 퍼지 적분 연산자를 도입해 다중 슬라이스 정보를 융합한다. 대규모 다기관 데이터셋(NICH137, SDH45)에서 제안 모델은 기존 최첨단 모델 대비 정확도·AUC·연산 효율 모두에서 우수함을 보였다.

상세 분석

이 연구는 기존 CT 기반 뇌출혈 자동 진단 모델이 갖는 두 가지 한계를 동시에 해결하고자 한다. 첫 번째는 고차원 특징의 과잉 및 해석 불가능성, 두 번째는 슬라이스 간 상관관계를 무시한 단일‑슬라이스 판단이다. 이를 위해 저자들은 Co‑Scale Convolutional Attention(CCA) 네트워크를 기본 백본으로 선택했으며, CCA와 VGG19가 가장 풍부한 표현력을 제공한다는 사전 실험 결과를 바탕으로 두 모델을 병렬로 활용한다.

1. 특징 스크리닝 파이프라인

• 각 CT 슬라이스에서 CCA·VGG19를 통해 2048 차원의 특징 벡터를 추출한다.
• PCA를 적용해 데이터 분산을 최대화하는 50개의 주성분을 선택, 차원 축소와 동시에 노이즈 억제 효과를 얻는다.
• 부트스트랩 포레스트(Bootstrap Forest)와 퍼뮤테이션 기반 중요도 평가를 통해 각 주성분의 판별력을 정량화한다. 여기서 ‘Separation Index’를 intra‑class와 inter‑class 분산 비율로 정의, 1% 미만 기여도는 제거한다. 결과적으로 ICH 탐지에는 22개, SDH 구분에는 32개의 최적 특징이 남는다.

이 과정은 특징 선택의 투명성을 제공한다는 점에서 ‘Explainable AI’ 관점에 부합한다. 또한, 부스팅 신경망(Boosting Neural Network)으로 10개의 약한 학습기(weak learner)를 순차적으로 학습시켜 오류를 보정하는 방식은 Gradient Boosting과 유사하지만, 각 약학습기의 입력이 고차원 특징이 아닌 스크리닝된 저차원 잠재 공간이므로 과적합 위험이 크게 감소한다.

2. 불확실성 기반 퍼지 적분 연산자
전통적인 다중 슬라이스 융합은 평균·최대값 등 단순 통계에 의존한다. 저자들은 슬라이스 간 불확실성(uncertainty)을 정량화해 퍼지 측도(fuzzy measure)로 변환하고, 이를 기반으로 Choquet 퍼지 적분을 수행한다. 구체적으로:

• 각 슬라이스별 부스팅 신경망 출력(확신도 맵)을 베이지안 방법으로 불확실성(분산) 추정.
• 연속 슬라이스 간 상관관계를 고려해 가중치를 동적으로 조정, 높은 불확실성을 가진 슬라이스는 낮은 가중치를 부여.
• 최종 CT 스캔 레벨 예측은 퍼지 적분 결과로 도출, 이는 슬라이스 간 의존성을 수학적으로 모델링한 것이다.

실험 결과, 퍼지 적분을 적용한 경우 AUC가 평균 2.3% 상승했으며, 특히 경계가 모호한 미세 출혈 사례에서 민감도가 크게 개선되었다.

3. 데이터 및 실험 설계

• 두 의료기관에서 수집한 NICH137(ICH 여부, 137명)과 SDH45(ASDH vs CSDH, 45명) 데이터셋을 사용, 총 19,596개의 정상·ICH 슬라이스와 1,550·1,235개의 ASDH·CSDH 슬라이스를 확보.
• 전처리 단계에서 DICOM→JPEG 변환, 배경 제거·이진 마스크 기반 ROI 추출, 5 mm 두께의 축축 슬라이스만 사용해 실제 임상 워크플로와 일치시켰다.
• 5‑fold 교차 검증과 독립 테스트 셋을 통해 모델 일반성을 평가, 비교 대상은 ResNet‑50, EfficientDet, Dense‑UNet 등 최신 모델이다.

4. 성능 및 해석

• ICH 검출: 정확도 96.8%, AUC 0.987, Sensitivity 95.4%, Specificity 98.1% (기존 최고 모델 대비 +3.2%/+0.018).
• SDH 구분: 정확도 94.5%, AUC 0.973, 특히 만성 vs 급성 구분에서 F1‑score 0.92를 달성.
• 연산 측면에서는 PCA·스크리닝 후 10‑component 부스팅 신경망이 1.2 GFLOPs 이하로, 실시간(≤0.15 s per scan) 추론이 가능해 임상 적용 가능성을 높인다.

5. 한계 및 향후 과제

• 현재는 2‑클래스(ICH/비ICH)와 2‑클래스(SDH 유형)만 다루며, 다중 출혈 유형(뇌내·뇌실·지주막하 등) 통합은 미구현.
• 퍼지 측도 설계가 경험적 파라미터에 의존하므로, 자동 최적화 기법(예: 메타‑학습) 도입이 필요.
• 외부 기관(다국가) 데이터에 대한 검증이 부족해, 도메인 적응(transfer learning) 연구가 뒤따라야 한다.

전반적으로 이 논문은 특징 선택·설명 가능성, 슬라이스 융합, 그리고 부스팅 기반 예측이라는 세 축을 결합해 뇌출혈 자동 진단의 정확도와 실용성을 동시에 끌어올린 점이 가장 큰 공헌이다.