멀티모달 MRI 기반 반자동 간 섬유증 단계 판별과 반지도 학습 간 분할

초록

본 연구는 CARE Liver 2025 Track 4 챌린지를 기반으로, 제한된 라벨과 다중 벤더·다중 시퀀스 MRI 데이터를 효율적으로 활용하기 위해 반지도 학습 기반 간 분할 모델(BRBS‑MI)과 패치 기반 간 섬유증 단계 분류 모델을 제안한다. 등록‑분할 공동 학습을 통해 라벨이 없는 GED4 이외의 시퀀스에서도 정확한 간 마스크를 생성하고, 16×16 패치를 이용한 ResNet‑18 기반 이진 분류로 Stage 1과 Stage 4 패치를 구분한 뒤 비율 기반 매핑으로 전체 환자의 단계 예측을 수행한다. 실험 결과, 비대칭 도메인(OOD)에서도 높은 Dice와 낮은 Hausdorff Distance를 달성했으며, 섬유증 단계 분류에서도 ID·OOD 모두에서 경쟁력 있는 정확도와 AUC를 기록하였다.

상세 분석

이 논문은 두 개의 핵심 과제, 즉 간 섬유증 환자의 MRI에서 정확한 간 영역을 자동으로 분할(LiSeg)하고, 해당 영역을 기반으로 섬유증 단계를 정량화(LiFS)하는 멀티태스크 프레임워크를 제시한다.
첫 번째 과제인 LiSeg에서는 라벨이 제한된 GED4(간담도 위상) 이미지와 라벨이 전혀 없는 T1, T2, DWI, GED1‑3 등 다중 시퀀스를 동시에 활용한다. 기존의 반지도 학습 기법은 이미지 간 정합성을 보장하지 못해 구조적 일관성이 떨어지는 문제가 있었으나, 저자들은 Better Registration Better Segmentation(BRBS) 프레임워크를 기반으로 등록‑분할 공동 학습을 설계하였다. 핵심은 두 가지 메커니즘이다. ① Weighted Consistency Constraint(WCC)는 변형된(워핑된) 마스크와 분할 네트워크의 예측이 일치하도록 강제해 라벨 전파의 정확성을 높인다. ② Space‑Style Sampling Program(S3P)은 두 이미지 사이의 변형과 스타일(대조) 변화를 보간해 합성 이미지‑마스크 쌍을 생성, 다양하고 현실적인 학습 데이터를 제공한다.
특히, 다중 벤더·다중 시퀀스 특성으로 인해 강도 분포가 크게 달라지는 문제를 해결하기 위해 기존 NCC 손실을 로컬 패치 기반 Mutual Information(MI) 손실로 교체하였다. MI는 강도 스케일에 무관하게 공동 정보량을 최대화하므로, 서로 다른 모달리티 간 정합성을 효과적으로 강화한다. 실험 결과, BRBS‑MI는 모든 시퀀스에서 Dice가 평균 5~10%p 상승하고 Hausdorff Distance가 크게 감소했으며, 특히 T2와 DWI에서 도메인 시프트에 강인함을 보였다.
두 번째 과제인 LiFS는 간 섬유증이 국소적인 병변 형태로 나타난다는 가정 하에, 간 영역 내에서 16×16 패치를 추출하고 ResNet‑18+MLP 구조로 이진 분류(Healthy Stage 1 vs. Severe Stage 4)를 수행한다. Stage 2·3은 학습에 포함시키지 않고 검증·테스트 단계에서만 사용해 모델이 극단적인 패턴을 학습하도록 유도한다. 다중 채널(비대조 3채널, 대조 7채널) 입력을 zero‑filling으로 보완해 결측 모달리티에도 견고하게 동작한다. 추론 시 전체 간 영역을 겹치는 패치로 스캔하고, Stage 4 패치 비율을 계산해 두 개의 임계값(τ₁, τ₂)을 적용, 각각 “중등 섬유증 여부”(Stage 1 vs 2‑4)와 “간경변 여부”(Stage 4 vs 1‑3)를 확률로 변환한다.
평가에서는 ID(벤더 A, B1, B2)와 OOD(벤더 C) 모두에서 높은 정확도와 AUC를 기록했다. 특히 OOD 상황에서 Stage 4 vs 1‑3 분류는 92.86%의 ACC를 달성해 도메인 일반화 능력을 입증했다. 전체 파이프라인은 ANTs 기반 rigid 정렬, BRBS‑MI 기반 라벨 전파, ResNet‑18 기반 패치 분류라는 순차적 구조로 구현돼, 각 단계가 독립적으로 최적화 가능하고, 코드가 공개돼 재현성과 확장성이 높다.