신뢰성 있는 관상동맥 영상 분석을 위한 ARIADNE 프레임워크

본 논문은 관상동맥 X‑ray 영상(관상동맥 조영술, XCA)에서 혈관 분할과 협착 병변 검출을 자동화하기 위한 통합 프레임워크 ARIADNE를 제안한다. 기존의 CNN 기반 U‑Net, CS‑Net, SA‑UNet 등은 픽셀‑단위 Dice·Cross‑Entropy 손실을 최적화함으로써 높은 픽셀 정확도를 달성했지만, 혈관 트리의 위상적 연속성을 보장하지 못한다. 결과적으로 얇은 말단 혈관이나 저대조도 구간에서 분절이 끊어지는 현상이 빈번해, 후속 중심선 추출 및 혈류 역학 분석에 심각한 제약을 초래한다. 이를 해결하기 위해 ARIADNE는 두 개의 상호 보완적인 모듈로 구성된다. 1) **지각(Perception) 모듈 – Preference‑Aligned Segmentation** - **모델 아키텍처**: Sa2VA(Structure‑aware Segmentation via Vision‑Language Architecture) 기반으로, 시각 인코더는 InternViT‑6B‑448p를 고정(frozen)하여 강건한 패치 임베딩을 추출하고, 언어 인코더는 InternLM2에 LoRA(r=16) 어댑터를 적용해 “관상동맥을 분할하라”는 프롬프트를 임베딩한다. 두 임베딩은 투사 레이어를 통해 SAM‑2 마스크 디코더와 결합, 최종 바이너리 마스크를 생성한다. - **위상 선호 학습**: 베티 수 β₀(연결된 컴포넌트 수)를 1로 고정하는 위상 제약을 선호 신호로 정의한다. 기존 Dice 손실에 더해, 클리피드(clDice)와 같은 연속성 지표를 이용해 쌍(pair) 형태의 마스크를 생성하고, DPO(Direct Preference Optimization) 프레임워크를 적용해 “연결성이 높은 마스크 > 연결성이 낮은 마스크”라는 비교적 선호를 로짓 차이 형태로 학습한다. 이 과정은 별도 위상 라벨이 필요 없으며, 기존 픽셀 라벨만으로도 위상 선호를 암시적으로 전달한다. - **Hard Sample Focused Training (HSFT)**: 저신뢰 프레임(분기·교차·말단 부위)과 심장 주기의 수축·이완 단계, 다양한 촬영 각도·조영 단계(동맥기, 정맥기 등)를 포함하는 키프레임을 자동 추출한다. 이렇게 선정된 하드 샘플에 대해 학습 비중을 높여, 모델이 어려운 해부학적 상황에서도 위상 일관성을 유지하도록 한다. - **학습 단계**: Stage‑1에서는 기본 시각‑언어 정렬을 위해 Dice 손실만 사용해 1,220장의 라벨링 데이터로 파라미터를 초기화한다. Stage‑2에서는 DPO 기반 위상 선호를 도입해 전체 1,400장의 데이터(내부 + 외부)에서 연속성 보상을 최적화한다. 2) **추론(Reasoning) 모듈 – Structure‑Guided Reinforcement Learning** - **MDP 정의**: 상태 sₜ는 현재 중심선 위치, 주변 혈관 반경 변화(Δr), 곡률(κ), 인접 분기 수 등으로 구성된다. 행동 aₜ는 전진, 회전, 스텐스 후보 표시, 혹은 “거부(Reject)”이다. - **보상 설계**: 정확한 협착 검출 시 +1, 위양성 검출 시 –1, 거부 시 –0.2(낮은 페널티) 등으로 정의한다. 또한, 전체 에피소드 종료 시 TPR·FPR를 종합한 가중 보상을 부여해, 민감도는 유지하면서 특이도를 높이는 방향으로 학습한다. - **거부 메커니즘**: 분기점·교차점·영상 잡음이 심한 구역에서 에이전트가 스스로 판단을 보류하도록 설계되었다. 이는 임상에서 전문가가 “재검토 필요”라고 표시하는 행위와 동일하며, 시스템 전체의 신뢰성을 크게 향상시킨다. - **학습 알고리즘**: PPO(Proximal Policy Optimization)를 기반으로 정책 πθ와 가치 함수 Vϕ를 동시에 업데이트한다. 경험 재플레이 버퍼에 거부된 샘플을 별도 저장해, 추후 “불확실성 감소” 학습에 활용한다. **실험 및 결과** - **데이터**: 1,400장의 내부 XCA 영상(다양한 병변·촬영 조건)과 다기관 외부 벤치마크 ARCADE·XCAD(총 2,200장) 사용. - **평가 지표**: 중심선 Dice, clDice, TPR(민감도), FPR(거짓 양성 비율), 거부율. - **성능**: ARIADNE는 중심선 Dice 0.838, clDice 0.812를 기록했으며, 기존 기하학 기반 방법 대비 FPR을 41% 감소시켰다. TPR은 0.867로 기존 방법과 동등하거나 약간 상회하였다. 거부 메커니즘 적용 시 전체 오류율이 23% 감소했으며, 거부된 사례 중 92%가 실제로 전문가가 재검토를 요구한 경우와 일치했다. - **전이 학습**: 외부 벤치마크에서도 평균 Dice 차이 <0.02, FPR 감소율 >35%를 유지, 촬영 프로토콜·장비 차이에 강인함을 입증하였다. **기여 및 의의** 1. **위상 선호 학습**: 베티 수 기반 위상 제약을 DPO로 통합, 의료 영상에서 최초로 구조적 연결성을 직접 학습 목표에 포함시켰다. 2. **비전‑언어 파운데이션 모델 활용**: Sa2VA를 통해 대규모 언어·시각 사전학습 지식을 의료 도메인에 효율적으로 전이, 별도 대규모 라벨링 없이도 위상 일관성을 달성했다. 3. **불확실성 관리 강화학습**: 거부 메커니즘을 포함한 RL 에이전트 설계로, 임상 워크플로우와 일치하는 “자동 보류” 기능을 제공, 실제 현장에서의 신뢰성을 크게 향상시켰다. **한계 및 향후 연구** - 현재 2D XCA 영상에 국한되어 있어 3D OCT·IVUS와의 다중 모달 융합이 필요하다. - 실시간 인터벤션 지원을 위해 경량화된 모델(예: 지식 증류) 및 GPU‑edge 배포 연구가 요구된다. - 거부 메커니즘의 임계값을 환자별 위험도에 맞게 동적으로 조정하는 적응형 정책 개발이 향후 과제로 남는다. 전반적으로 ARIADNE는 “시각 인식 → 임상 추론”이라는 인간 진단 과정을 모듈화하고, 각각을 최신 AI 기법(DPO, RL)으로 최적화함으로써 관상동맥 영상 자동화의 정확도와 신뢰성을 동시에 끌어올린 혁신적 접근이다.