고b값 유방 DWI 슬라이스별 인공신경망 기반 아티팩트 자동 검출

초록

본 연구는 3 T 유방 MRI에서 b = 1500 s/mm² 고b값 DWI 영상을 대상으로, 하이퍼·저강도 아티팩트를 슬라이스 단위로 자동 검출하기 위해 DenseNet121, ResNet18, SEResNet50 등 세 가지 CNN을 비교하였다. 11 806개의 슬라이스(118 06개) 데이터를 이진·다중 클래스 형태로 라벨링하고, 최적 모델인 DenseNet121이 AUROC 0.92‑0.94(이진) 및 0.85‑0.88(다중) 성능을 보였다. Grad‑CAM 기반 바운딩 박스로 시각화했으며, 방사선 전문의의 주관적 평가에서도 평균 3.33·2.62점(5점 척도)을 기록하였다.

상세 분석

이 논문은 고b값(1500 s/mm²) DWI에서 발생하는 하이퍼·저강도 아티팩트를 슬라이스 수준에서 자동으로 탐지하는 딥러닝 파이프라인을 제시한다. 데이터는 2022‑2023년 사이에 수집된 3 T 유방 MRI 1 383건 중 아티팩트가 중등도 이상인 156건을 선별해 11 806개의 2D 슬라이스(좌·우 유방을 각각 절반으로 분리)로 전처리하였다. 각 슬라이스는 0‑255 정규화 후 160 × 128 픽셀 JPEG로 저장되었으며, T1‑가중 영상에서 추출한 마스크를 적용해 유방 조직만을 남겼다. 라벨링은 두 단계로 진행됐는데, 이진 분류에서는 1‑2점을 ‘비아티팩트’, 3‑5점을 ‘유의 아티팩트’로 묶었고, 다중 클래스에서는 원래 1‑5점 스케일을 그대로 유지했다.

모델 학습은 MONAI와 PyTorch Lightning 기반으로 진행됐으며, Adam 옵티마이저와 가중치가 적용된 교차 엔트로피 손실을 사용했다. 클래스 불균형을 완화하기 위해 가중치 기반 랜덤 샘플러와 데이터 증강(±12° 회전, 좌·우·상·하 플립)을 적용했다. 학습률은 모델·과제별로 4 × 10⁻⁶ ~ 9 × 10⁻⁵ 사이에서 튜닝했으며, 최대 200 epoch, 조기 종료(patience = 10)로 최적화했다.

세 모델 중 DenseNet121이 검증 셋에서 가장 높은 AUROC와 AUPRC를 기록했으며, 이를 최종 테스트 셋에 적용했다. 이진 분류에서는 하이퍼 아티팩트 AUROC = 0.92, 저강도 아티팩트 AUROC = 0.94를 달성했으며, 다중 클래스에서는 가중 평균 AUROC가 각각 0.85와 0.88이었다. 모델의 공간적 설명력을 확인하기 위해 Grad‑CAM을 이용해 히트맵을 생성하고, 상위 20% 활성 영역을 바운딩 박스로 추출했다. 방사선 전문의가 200개 슬라이스에 대해 1‑5점 Likert 척도로 박스 정확도를 평가했을 때, 평균 점수는 하이퍼 아티팩트 3.33 ± 1.04, 저강도 아티팩트 2.62 ± 0.81이었다.

주요 강점은 슬라이스 수준의 세밀한 라벨링과 다중 클래스 접근을 통해 아티팩트 강도까지 구분 가능하게 만든 점이다. 또한, 단일 기관 데이터임에도 불구하고 11 k개 이상의 슬라이스를 확보해 모델 일반화 가능성을 확보했다. 한계로는 데이터가 단일 센터·단일 스캐너(Siemens Skyra)에서만 수집돼 외부 검증이 부족하고, JPEG 압축으로 인한 정보 손실 가능성이 있다. 또한, Grad‑CAM 기반 바운딩 박스는 정량적 위치 정확도 검증이 부족해 임상 적용 시 추가 검증이 필요하다. 향후 다기관·다중 벤더 데이터와 3D 볼륨 기반 모델을 결합하면 아티팩트 전반을 더 정밀히 파악할 수 있을 것으로 기대된다.