Left Atrial Segmentation with nnU-Net Using MRI

📝 Abstract

**
좌심방(Left Atrium, LA)의 정확한 분할은 심방세동(Atrial Fibrillation, AF) 치료와 개인 맞춤형 심장 모델링에 핵심이다. 기존 수동 윤곽은 시간·노동 소모가 크고 관찰자 의존도가 높아 임상 현장에서 실용적이지 않다. 본 연구에서는 자동·자체 구성형 딥러닝 세그멘테이션 프레임워크인 nnU‑Net을 이용해 Left Atrial Segmentation Challenge 2013(LASC’13) MRI 데이터셋(30건)에서 좌심방을 분할하였다. nnU‑Net은 데이터 특성에 맞춰 전처리, 네트워크 구조, 학습 파라미터를 자동 최적화한다. 20건을 학습, 10건을 테스트에 사용했으며, 성능 평가는 Dice Similarity Coefficient(DSC), 95th percentile Hausdorff Distance(HD95), Average Surface Distance(ASD)로 수행하였다. 결과는 평균 Dice = 93.5 %, HD95 = 3.2 mm, ASD = 1.1 mm 로, 기존 전통적 방법들을 크게 앞섰으며 좌심방 본체와 근위 폐정맥까지 정밀하게 재현하였다.

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

• AF는 전 세계 3,300만 명 이상이 겪는 가장 흔한 지속성 부정맥이며, 정확한 좌심방 해부학 정보는 카테터 절제술의 성공에 직결된다.
• MRI는 연부조직 대비가 뛰어나 좌심방 벽 섬유화·흉터 평가에 유리하지만, 저대조, 움직임 아티팩트, 환자별 해부학 변이 등으로 수동 분할이 매우 어려워 자동화가 절실히 요구된다.

2. nnU‑Net 프레임워크의 강점

3. 실험 설계

• 데이터: LASC’13 MRI 30건 (학습 20, 테스트 10). 라벨은 전문가가 만든 좌심방, 좌심방 부속(폐정맥, LAA) 포함.
• 학습 환경: RTX A6000 (48 GB), PyTorch 2.2, nnU‑Net v2.1, 1000 iteration(≈500 epoch) → 약 36 시간 소요.
• 손실 함수: Dice + Cross‑Entropy → 영역 겹침과 voxel‑wise 정확도 동시 최적화.
• 평가 지표: DSC, HD95, ASD 외 5‑fold 교차 검증, Wilcoxon signed‑rank test(볼륨 차이 p > 0.05).

4. 주요 결과

• 일관성: 5‑fold CV에서 Dice 92.8 %–94.1 % 로 변동폭이 작아 모델 안정성 확인.
• 강인성: 움직임 아티팩트·저대조 케이스에서도 Dice > 0.90 유지.

5. 의의 및 임상 적용 가능성

1. 시간 절감: 수동 5~10 분 → 자동 10 초, 워크플로우 효율 대폭 향상.
2. 정밀도: 폐정맥 입구·LAA 기저부 등 절제 목표 부위 정확히 재현, 절제 전략 수립에 직접 활용 가능.
3. 재현성: nnU‑Net은 “no‑new‑U‑Net”이라 데이터만 교체하면 동일 파이프라인 적용 가능, 비전문가도 손쉽게 사용 가능.

6. 제한점 및 향후 연구 방향

• 데이터 규모: 30건(20학습)이라는 비교적 작은 샘플에 의존 → 대규모 다기관 데이터로 외부 검증 필요.
• CT와의 비교 부재: 본 연구는 MRI에만 초점; CT 기반 모델과 멀티모달 통합 모델 개발이 필요.
• 임상 시험: 실제 AF 절제 전/후 영상에 적용해 절제 성공률·재발률과의 연관성을 검증해야 함.
• 실시간 인터페이스: 3D Slicer·ITK‑SNAP 플러그인 형태로 임상 현장에 바로 배포하는 작업이 남아 있다.

**

📄 Full Content

심방세동(AF)과 좌심방(LA) 자동 분할을 위한 nnU‑Net 적용 연구

심방세동(Atrial fibrillation, AF)은 가장 흔한 지속성 심장 부정맥으로 전 세계적으로 3,300만 명 이상에게 영향을 미치며, 고령 인구가 증가함에 따라 그 유병률도 계속 상승하고 있다. AF는 뇌졸중, 심부전 및 사망 위험을 크게 높이기 때문에 정확한 진단과 효과적인 치료가 필수적이다. 카테터 절제술은 폐정맥을 전기적으로 차단하고 정상 동리듬을 회복시키는 것을 목표로 하는 AF 치료의 핵심 요법으로 자리 잡았다. 좌심방(LA)은 AF의 병태생리와 치료에 중심적인 역할을 하는데, 좌심방의 구조와 형태가 부정맥 발생 및 절제 결과에 직접적인 영향을 미치기 때문이다[1,2]. 따라서 수술 전 계획, 수술 중 내비게이션, 시술 후 평가를 위해서는 정확한 좌심방 해부학 지식이 필수적이다.

3차원(3D) 좌심방 해부학 모델은 환자별 심방 형태를 시각화하고, 표적 절제를 용이하게 하며, 전기생리학적 행동을 예측할 수 있는 생체물리학 시뮬레이션의 입력으로 활용된다. 그러나 이러한 모델을 만들기 위해서는 의료 영상으로부터 좌심방을 정확히 분할해야 하는데, 이는 본질적으로 어려우며 많은 시간과 노력이 요구되는 작업이다[3,4].

영상 획득과 분할의 어려움

좌심방을 시각화하는 데 가장 흔히 사용되는 영상 modality는 **자기공명영상(MRI)**과 **컴퓨터단층촬영(CT)**이다. MRI는 연부조직 대비가 뛰어나 심방벽 섬유증·흉터를 평가하는 데 선호되며, CT는 공간 해상도가 우수해 절제 전 해부학적 매핑에 널리 활용된다. 그러나 MRI·CT 모두 다음과 같은 이유로 좌심방 분할이 어렵다.

• 심방벽과 주변 조직 간 대비가 낮음
• 혈액 풀(intensity)의 변동성
• 움직임 아티팩트 및 환자마다 다른 해부학적 변이
• 기존 전통적 분할 기법(영역 성장, 임계값 지정, 액티브 컨투어 모델 등)이 얇은 심방벽을 정확히 구분하지 못하거나, 서로 다른 획득 프로토콜에 일반화하기 어려움[5]

반자동 기법조차도 많은 사용자 개입과 전문가 교정이 필요해 임상 워크플로우에 적용하기엔 확장성이 제한된다. 따라서 신뢰성 높고 자동화된 분할 방법이 절실히 요구된다.

딥러닝 기반 분할의 부상

최근 머신러닝·딥러닝의 급격한 발전은 의료 영상 분석, 특히 분류와 분할 분야에 혁신을 가져왔다[6‑9]. 컨볼루션 신경망(CNN)은 복잡한 공간·맥락적 특징을 효과적으로 학습해 전통 기법을 능가하는 정확도와 견고함을 보여준다. 그 중 U‑Net은 스킵 연결을 갖춘 완전 컨볼루션 인코더‑디코더 구조로, 공간 세부 정보를 보존하면서 계층적 표현을 학습한다. U‑Net 및 변형 모델은 심장, 뇌, 복부 등 다양한 바이오메디컬 영상 분할의 사실상 표준이 되었다.

심장 영상에서는 딥러닝 기반 분할이 심실 부피, 심근 두께, 심방 형태 등을 정량화하는 데 널리 사용된다. 자동화된 시스템은 수동 윤곽보다 빠르고 재현성이 높아 임상 의사결정과 계산 심장 모델링을 동시에 지원한다. 그러나 딥러닝 모델을 의료 영상에 적용하려면 네트워크 설계, 데이터 전처리, 하이퍼파라미터 튜닝 등 복잡한 과정이 필요해 비전문가가 활용하기엔 장벽이 된다.

nnU‑Net: 자동 구성 분할 파이프라인

이러한 문제를 해결하고자 nnU‑Net (no‑new‑U‑Net) 프레임워크가 제안되었다. nnU‑Net은 데이터셋에 맞춰 자동으로 전처리, 네트워크 구조, 학습 파라미터를 조정하는 셀프‑컨피겨레이션 파이프라인이다[10]. 입력 데이터의 특성을 분석해 최적의 패치 크기, 배치 크기, 정규화 방식 등을 자동으로 결정한다. 이 프레임워크는 다수의 분할 벤치마크에서 일관되게 상위권을 차지했으며, 특히 해부학적 변이와 영상 잡음이 빈번한 심장 MRI 분할에 적합하다.

연구 목적 및 데이터셋

본 연구에서는 Left Atrial Segmentation Challenge 2013 (LASC ’13) 데이터셋에 nnU‑Net을 적용하였다. LASC ’13은 영국 킹스칼리지 런던과 Philips Technologie GmbH가 공동으로 구축한 공개 데이터셋으로, 30개의 MRI와 30개의 CT 스캔(각각 30명 환자)과 전문가가 만든 정밀 라벨을 제공한다[11‑13].

• MRI 30건 중 20건을 학습용, 나머지 10건을 테스트용으로 사용하였다.
• 라벨은 좌심방 공동, 좌심방 부속(Left Atrial Appendage, LAA) 짧은 구간, 폐정맥(Pulmonary Veins, PV) 근위부를 포함한다.
• 모든 데이터는 익명화되었으며, 원 데이터 제공자는 윤리적 승인을 확보하였다.

자동 전처리 및 데이터 증강

nnU‑Net은 데이터셋 특성에 따라 전처리 파이프라인을 자동 최적화한다. 주요 단계는 다음과 같다.

1. 등방성(voxel) 재샘플링 – 환자 간 해상도 차이를 없애기 위해 1 mm³ 등방성으로 변환.
2. 정규화 – 평균 0, 표준편차 1로 정규화해 학습 안정성 확보.
3. 심장 영역 중심 크롭 – 불필요한 배경을 제거하고 연산량 감소.
4. 데이터 분할 – 환자 단위로 70 % 학습, 10 % 검증, 20 % 테스트.
5. 실시간 데이터 증강 – 무작위 회전·좌우 반전, 탄성 변형, 감마 보정·밝기 변환, 가우시안 노이즈 추가 등.

이러한 증강은 심방의 방향, 강도, 영상 품질 변동에 대한 모델의 일반화 능력을 크게 향상시킨다.

3D 풀‑해상도 nnU‑Net 아키텍처

본 연구에서는 3D 풀‑해상도 nnU‑Net을 사용하였다. 주요 특징은 다음과 같다.

• 인코더‑디코더 + 스킵 연결 – 공간 컨텍스트를 유지하면서 깊은 특징 추출 가능.
• 잔차(Residual) 컨볼루션 블록 + 인스턴스 정규화 + Leaky ReLU – 안정적인 학습을 지원.
• 딥 슈퍼비전(Deep Supervision) – 중간 디코더 레벨의 보조 출력이 전체 손실에 기여, 그래디언트 흐름 개선.
• 동적 패치·배치 크기 선택 – GPU 메모리와 입력 이미지 크기에 따라 자동 결정.

전통적인 수동 튜닝 모델과 달리 nnU‑Net은 하이퍼파라미터(커널 크기, 피처 맵 수, 네트워크 깊이 등)를 데이터셋에 맞게 자동 구성한다.

학습 환경 및 파라미터

• 프레임워크: PyTorch 기반 nnU‑Net v2.1
• GPU: NVIDIA RTX A6000 (48 GB VRAM)
• 학습 파라미터 (자동 설정)
  • 손실 함수: Dice loss + Cross‑entropy loss (지역 겹침·볼륨별 정확도 동시 최적화)
  • 옵티마이저: SGD, 모멘텀 = 0.99, 가중감쇠 = 3×10⁻⁵
  • 초기 학습률: 1×10⁻², 다항식 감소 스케줄러
  • 배치 크기: 2 (3D 패치 학습)
  • 총 반복 횟수: 1000 (≈500 epoch)

학습 중에는 딥 슈퍼비전을 적용하고, 테스트 시에는 슬라이딩 윈도우 방식으로 전체 3D 볼륨을 추론하였다. 전체 학습 시간은 약 36시간이었다.

성능 평가

다음과 같은 표준 지표를 사용해 성능을 정량화하였다.

이 결과는 전문가가 수동으로 그린 라벨과 거의 일치함을 의미한다.

구현 환경

• OS: Ubuntu 22.04 LTS
• CPU: Intel Xeon 6248
• RAM: 256 GB
• Python: 3.10, PyTorch: 2.2
• 시각화 도구: ITK‑SNAP, 3D Slicer

모델 가중치와 설정 파일은 재현성을 위해 별도로 보관했으며, 전처리·증강·추론 파이프라인은 nnU‑Net 표준 규격을 그대로 따랐다.

주요 결과 요약

• Dice 93.5 % ± 1.8 – 자동 분할이 전문가 수준의 정확도를 달성.
• HD95 3.2 mm ± 0.9, ASD 1.1 mm ± 0.4 – 경계 정밀도와 부드러운 표면 재현이 우수.
• 5‑fold 교차 검증에서 Dice 점수는 92.8 %~94.1 %로 일관성 확보.
• Wilcoxon 부호‑순위 검정 결과 자동·수동 부피 차이가 통계적으로 유의하지 않음(p > 0.05).

임상적·연구적 의의

1. 절제 계획 지원 – 좌심방, 폐정맥 입구, LAA 근위부를 정확히 재현함으로써 카테터 내비게이션 및 병변 표적 설정에 직접 활용 가능.
2. 전산 전기생리학 모델링 – 고정밀 3D 재구성은 파동 전파 시뮬레이션, 재발 위험 평가 등에 필수.
3. 작업 효율성 – 수동 분할에 수분이 소요되는 반면, nnU‑Net은 10초 미만의 추론 시간으로 임상 현장에 즉시 적용 가능.
4. 표준화·재현성 – 자동 하이퍼파라미터 튜닝과 일관된 전처리 덕분에 서로 다른 병원·스캐너 간 결과 차이가 최소화된다.

제한점 및 향후 과제

• 데이터 범위: 현재는 LASC ’13 MRI 서브셋(30건)만 사용했으며, CT나 다른 MRI 프로토콜에 대한 일반화는 검증되지 않음.
• 컴퓨팅 요구: 3D 학습은 고성능 GPU가 필요하며, 저사양 환경에서는 학습이 어려울 수 있음.
• 샘플 수: 30건이라는 비교적 작은 규모는 희귀 해부학 변이·특수 병리군에 대한 검증을 제한한다.

향후 연구 방향은 다음과 같다.

1. 멀티모달 학습 – MRI와 CT를 동시에 학습시켜 프로토콜 간 전이 성능 강화.
2. 첨단 아키텍처 도입 – Transformer 기반 모델이나 Attention 메커니즘을 결합해 장거리 의존성 포착.
3. 조직 특성 통합 – Late Gadolinium Enhancement MRI 등 섬유화·흉터 정보를 함께 학습해 구조·기능 통합 모델 구축.
4. 반지도학습·연합학습 – 라벨이 부족한 상황에서도 대규모 데이터 활용 및 개인정보 보호.
5. 임상 전향적 검증 – 실제 절제 절차에 모델을 적용해 작업 시간·성공률·재발률에 미치는 영향을 평가.

결론

본 연구는 nnU‑Net 프레임워크를 이용해 LASC ’13 MRI 데이터셋에서 좌심방을 완전 자동으로 분할했으며, 평균 Dice 93.5 %·HD95 3.2 mm·ASD 1.1 mm라는 뛰어난 성능을 기록했다. 이는 기존의 영역 성장·통계적 형태 모델 등 전통적 방법을 크게 앞서는 결과이며, 별도의 하이퍼파라미터 튜닝 없이도 높은 정확도를 달성했다는 점에서 의미가 크다.

정확한 좌심방·폐정맥·LAA 재구성은 AF 절제 계획, 전산 전기생리학 시뮬레이션, 정량적 심방 리모델링 연구에 필수적이다. nnU‑Net의 셀프‑컨피겨레이션과 초고속 추론(<10 초) 특성은 임상 워크플로우에 원활히 통합될 수 있음을 시사한다.

앞으로는 멀티센터·멀티모달 대규모 데이터셋을 활용해 일반화 능력을 검증하고, Transformer 기반 모델·조직 특성 영상 통합 등 최신 AI 기술을 접목함으로써 더욱 정밀하고 임상 친화적인 좌심방 자동 분할 솔루션을 구현할 계획이다. 이러한 노력은 궁극적으로 심방세동 환자의 치료 효율성·성공률 향상에 기여할 것으로 기대한다.