RepAir 기법을 이용한 폐기도 분할 및 연결 복구 프레임워크

초록

본 논문은 nnU‑Net 기반 3D 폐기도 분할기에 위상 교정 모듈을 결합한 RepAir 프레임워크를 제안한다. 초기 마스크에서 골격을 추출해 단절 부위를 탐지하고, 1D CNN으로 진짜 기도 연결인지 판별한다. ATM’22와 AeroPath 두 데이터셋에서 기존 3D U‑Net 변형인 Bronchinet·NaviAirway보다 Dice, JI, TD 등 정량 지표와 해부학적 일관성에서 우수한 성능을 보이며, 특히 중증 기도 병변에서도 견고함을 입증한다.

상세 분석

RepAir는 3단계 파이프라인으로 구성된다. 첫 번째 단계는 nnU‑Net을 활용한 3D 폐기도 분할기로, 128×160×112 패치와 Dice + Cross‑Entropy 손실을 결합해 클래스 불균형을 완화한다. nnU‑Net은 자동으로 최적화된 인코더‑디코더 구조와 데이터 증강을 제공해 다양한 스캔 해상도에 강인하게 작동한다. 두 번째 단계는 골격 기반 단절 탐지 알고리즘이다. 예측 마스크의 골격을 추출한 뒤, 골격 끝점마다 반경 내 후보 연결점을 탐색한다. 거리, 각도, 사이클 방지 등 여러 휴리스틱을 가중치로 적용해 해부학적으로 가능한 짧은 연결을 우선 선택하고, 선택된 연결은 해당 기도 직경에 맞게 팽창시켜 실제 기도 형태를 모방한다. 세 번째 단계는 1D 컨볼루션 신경망으로, 후보 연결의 중심선 voxel 시퀀스를 입력으로 받아 ‘진짜 기도’, ‘폐 실질’, ‘폐쇄’ 세 클래스로 분류한다. 학습 데이터는 각각 실제 기도 중심선, 비기도 폐 조직, 고밀도 노이즈를 삽입한 기도 영역에서 추출해 2만 개씩 확보하였다. 이 단계에서 ‘진짜 기도’로 판정된 연결만 최종 마스크에 합쳐져, 불필요한 허위 연결이나 병변에 의한 차단을 방지한다.

실험은 두 데이터셋에서 수행되었다. ATM’22는 주로 정상·경증 COVID‑19 환자 279 scans(209 train, 70 test)로 구성되고, AeroPath는 악성 종양·사르코이드·폐기종 등 중증 병변을 가진 27 scans이다. RepAir는 ATM’22에서 Dice 0.93, JI 0.88, TD 0.92, HD 42.75mm를 기록해 Bronchinet(0.92,0.85,0.82,44.61)·NaviAirway(0.80,0.67,0.47,69.96)보다 전반적으로 우수했다. 특히 고세대 기도 복구에서 false negative를 크게 감소시켰다. AeroPath에서도 Dice 0.88, TD 0.90 등 모든 지표에서 최고 성능을 유지했으며, Bronchinet이 0.62,0.25에 머물렀던 반면 NaviAirway는 중간 수준(0.84,0.63)이었다. 런타임 측면에서는 nnU‑Net 기반 RepAir가 Bronchinet보다 약 3분 느리지만, NaviAirway보다 3초 빠른 효율성을 보였다.

이러한 결과는 (1) nnU‑Net이 제공하는 강력한 피처 추출 능력, (2) 골격 기반 위상 교정이 단절을 정밀히 탐지·제안하는 역할, (3) 1D CNN이 해부학적 타당성을 검증해 허위 연결을 억제하는 세 요소가 시너지 효과를 내어, 기존 U‑Net 변형이 놓치기 쉬운 미세 기도까지 복구함을 의미한다. 또한, RepAir는 초기 분할기만 교체하면 다른 기도 분할 파이프라인에도 적용 가능하므로 범용성이 높다. 향후 연구에서는 연결 제약을 end‑to‑end 학습에 통합하고, 기도 벽 분할·다중 태스크 학습으로 확장함으로써 임상적 활용도를 더욱 높일 수 있다.