다중기관 전립선 병변 분할을 위한 계층적 EM 모델

초록

본 논문은 다중기관 mpMRI 데이터에서 관찰되는 라벨 변동성을 잠재 ‘클린’ 병변 마스크로 모델링하고, 계층적 민감도·특이도 파라미터를 EM 알고리즘으로 추정한다. 이미지 기반 UNet과 라벨 품질 추정을 교대로 학습함으로써 사이트 간 일반화 성능을 크게 향상시켰으며, 각 사이트별 라벨 품질을 해석 가능하게 제공한다.

상세 분석

이 연구는 전립선 병변 자동 분할에서 가장 큰 장애물 중 하나인 라벨 변동성을 정량적·구조적으로 다루었다. 기존 방법은 단일 라벨을 그대로 학습에 사용하거나, 부트스트랩 방식으로 노이즈를 완화했지만, 사이트별 주석 프로토콜 차이를 명시적으로 모델링하지 못했다. 저자들은 각 기관을 ‘읽는 사람’으로 간주하고, 관찰된 라벨 Y를 잠재적인 ‘클린’ 마스크 G에 대한 노이즈 관측으로 정의하였다. 여기서 노이즈는 사이트·케이스별 민감도(α)와 특이도(β)로 표현되며, 이 두 파라미터는 로지스틱-정규 계층적 사전분포에 의해 전역 평균(µα, µβ)과 사이트·케이스 편차(a_s, b_s, u_k, v_k)로 분해된다. 이러한 구조는 전역적인 병변 특성을 보존하면서, 각 사이트의 체계적 편향을 억제하도록 설계되었다.

EM 절차는 두 단계로 이루어진다. E‑step에서는 현재 네트워크 파라미터 θ와 라벨 품질 파라미터 ϕ를 이용해, 이미지 기반 사전 π_k(x)=σ(f_θ(X_k)_x)와 관찰 라벨의 민감도·특이도 모델을 결합해 voxel‑wise posterior q_k(x)=P(G_k(x)=1|X_k,Y_k) 를 계산한다. 이는 이미지 정보와 라벨 신뢰도를 동시에 반영한 부드러운 ‘컨센서스’ 마스크이다. M‑step은 (A) 네트워크 업데이트와 (B) 라벨 품질 파라미터 업데이트로 나뉜다. (A)에서는 q_k를 soft target 로 사용해 교차 엔트로피와 Dice 손실을 동시에 최소화함으로써, 노이즈가 섞인 라벨 대신 확률적 라벨에 맞추어 학습한다. (B)에서는 기대 충분통계 T_Pk, P_k, T_Nk, N_k 를 이용해 라벨 품질의 완전 데이터 로그우도 Q(ϕ)를 구성하고, L2 정규화가 적용된 MAP 추정으로 ϕ를 최적화한다. 이때 파라미터 차원이 작아 L‑BFGS 로 효율적으로 수렴한다.

실험은 세 개의 기관(총 2,857명)에서 mpMRI(T2W, DWI, ADC)와 단일 전문가 라벨을 사용했으며, 두 가지 평가 설정을 제시한다. 첫 번째는 모든 사이트를 섞어 훈련하고 각 사이트별 hold‑out 테스트를 수행한 ‘pooled’ 설정이며, 두 번째는 한 사이트를 완전히 배제하고 나머지 두 사이트로 훈련한 ‘leave‑one‑site‑out(LOSO)’ 설정이다. 비교 대상은 기본 UNet, 부트스트랩 셀프‑트레이닝, 그리고 사이트별 독립 α/β 를 추정하는 단순 EM (Site‑EM)이다.

결과는 두 설정 모두에서 HierEM이 가장 높은 Dice와 낮은 HD95를 기록함을 보여준다. 특히 LOSO 상황에서 평균 Dice가 27–33% 수준으로, 기존 UNet(≈25%) 대비 2–5%p 상승했으며, 경계 오차도 현저히 감소했다. 또한, 추정된 사이트별 민감도는 31.5%~47.3% 수준으로 낮지만 특이도는 ≈0.99 로 매우 높아, 라벨이 대부분 음성인 전립선 영상에서 실제 양성 병변을 놓치지 않도록 보정한다는 의미다. 위험‑커버리지 곡선은 높은 불확실도 영역을 제거했을 때 Dice가 급격히 상승함을 보여, 모델이 제공하는 불확실도 추정이 임상적 선택적 검토에 유용함을 시사한다.

이 논문의 주요 기여는 (1) 라벨 변동성을 잠재 마스크와 계층적 민감도·특이도 모델로 정량화, (2) EM 기반의 교번 학습으로 이미지와 라벨 품질을 동시에 최적화, (3) 사이트별 라벨 품질을 해석 가능하게 제공함으로써 다기관 데이터의 일반화 문제를 근본적으로 완화, (4) 불확실도 추정을 통해 위험‑커버리지 기반의 선택적 세분화 전략을 제시한다는 점이다. 향후 연구에서는 더 많은 기관과 다양한 병변 유형에 적용하고, 라벨 품질 모델을 다중 라벨(다중 독자) 상황에 확장하는 것이 기대된다.