라벨 가이드 DINO 기반 관상동맥 석회화 검출 향상

초록

본 논문은 라벨 가이드를 도입한 자기지도 학습 모델 DINO‑LG를 제안한다. ViT‑Base/8을 활용해 914개의 관상동맥 CT(게이트 및 비게이트)를 사전 학습하고, calcified slice를 선별하는 선형 분류기와 U‑Net 기반 석회화 영역 분할·Agatston 점수 계산을 3단계 파이프라인으로 구성한다. DINO‑LG는 기존 DINO 대비 민감도 89%·특이도 90%를 달성했으며, 전체 위험 분류 정확도 90%로 기존 U‑Net 단독 모델(76%)을 크게 능가한다.

상세 분석

DINO‑LG는 기존 DINO의 자기지도 학습 구조에 라벨 가이드를 결합한 새로운 학습 프레임워크이다. 핵심 아이디어는 칼슘이 존재하는 영역에 대한 어노테이션 정보를 활용해, 사전 학습 단계에서 해당 영역을 강조하는 타깃 증강(targeted augmentation)을 수행함으로써 ViT가 미세한 고밀도 픽셀을 보다 효과적으로 인코딩하도록 유도하는 것이다. 이를 위해 저자들은 914개의 CT 스캔(게이트 700건, 비게이트 214건)에서 칼슘이 포함된 슬라이스와 픽셀 레벨 마스크를 추출하고, 패치 단위 입력에 대해 회전·스케일·노이즈 삽입 등 일반적인 변형에 더해 칼슘 영역을 확대·강조하는 변형을 추가하였다. 이러한 라벨‑가이드 증강은 DINO의 두 네트워크(학생·교사) 간의 정합 손실을 최소화하면서, 교사 모델이 칼슘 특성을 더 잘 포착하도록 만든다.

학습된 ViT‑Base/8은 768 차원의 토큰 임베딩을 출력하고, 이를 선형 SVM‑유사 분류기에 연결해 슬라이스 수준에서 칼슘 존재 여부를 판별한다. 이 단계에서 89%의 민감도와 90%의 특이도를 달성했으며, 기존 DINO(민감도 79%, 특이도 77%) 대비 각각 49%·57%의 오류 감소를 기록한다. 특히, 전체 CT 볼륨 중 칼슘이 포함된 슬라이스가 10% 미만이라는 데이터 불균형 상황에서도 높은 재현율을 유지한다는 점이 주목할 만하다.

선별된 슬라이스는 이후 U‑Net 기반 세그멘테이션 모듈에 입력된다. U‑Net은 DINO‑LG가 추출한 고품질 특징 맵을 초기화 파라미터로 활용하거나, 별도로 학습된 가중치를 사용해 칼슘 병변을 픽셀 수준에서 정확히 분할한다. 분할 결과는 Agatston 점수 계산에 직접 활용되며, 최종 위험 등급(0, 1‑99, 100‑399, ≥400) 분류 정확도는 90%에 달한다. 이는 U‑Net 단독 모델(76%)에 비해 14%p의 향상을 의미한다.

또한, DINO‑LG는 게이트와 비게이트 CT 모두에 동일 모델을 적용할 수 있는 범용성을 제공한다. 이는 임상 현장에서 다양한 프로토콜의 스캔을 일관되게 처리할 수 있게 하여, 별도 모델을 구축·관리해야 하는 비용과 복잡성을 크게 낮춘다. 계산 효율성 측면에서도, 전체 슬라이스가 아닌 라벨 가이드 분류를 통과한 슬라이스만을 세그멘테이션에 투입함으로써 GPU 메모리 사용량과 추론 시간을 약 60% 절감한다는 보고가 있다.

한계점으로는 라벨 가이드 증강을 위해 일정 수준 이상의 어노테이션이 필요하다는 점이다. 즉, 완전한 무라벨 상황에서는 DINO‑LG의 장점을 온전히 활용하기 어렵다. 또한, 현재 실험은 단일 기관(University of Kentucky) 데이터에 국한되어 있어, 다기관·다인종 데이터셋에 대한 일반화 검증이 필요하다. 향후 연구에서는 라벨 가이드 강도를 자동 조정하거나, 메타러닝을 도입해 다양한 도메인에 적응하는 방법을 모색할 수 있다.

전반적으로 DINO‑LG는 라벨 가이드를 통한 자기지도 학습이 의료 영상의 희소 라벨 문제를 완화하면서도 높은 성능을 유지할 수 있음을 실증적으로 보여준다. 특히, 미세하고 드문 병변(관상동맥 석회화) 검출에 특화된 증강 전략은 향후 다른 희소 병변(예: 미세 종양, 혈관 플라크) 탐지에도 적용 가능할 것으로 기대된다.