뇌 MRI를 위한 비지도 이상 탐지(UAD) 방법들은 단일 점수로 순위가 매겨지지만, 이 점수는 거의 보고되지 않는 선택 사항들에 의존합니다. 즉, 각 이상 맵이 참조 데이터와 어떻게 정렬되는지, 임계값이 어떤 데이터에서 어떻게 설정되는지, 어떤 위양성 예산, 지표, 집계 방식 및 병변 정의가 사용되는지 등입니다. 본 논문에서는 이러한 선택 사항들을 명시하고 그 영향을 측정하는 평가 프로토콜인 MIRTO를 제시합니다. MIRTO는 정합(registration) 확인 및 알려진 검정력을 가진 무라벨 진단으로 모든 비교의 기하학적 구조를 제어하고, 검증(validation) 데이터에서만 임계값을 설정하며 테스트에서 실제로 실현된 위양성 체적을 보고하고, 15,552개의 타당한 평가 파이프라인 전반에 걸쳐 각 비교를 반복하며, 다중성 제어가 적용된 대응 피험자 부트스트랩 신뢰구간을 첨부합니다. 동일한 정상 데이터로 학습(training)되고 312명의 BraTS 2020 피험자를 대상으로 테스트된 4가지 UAD 방법에 적용한 결과, MIRTO는 저장된 맵과 참조 데이터 간의 축 순서 불일치로 인해 확산 모델(diffusion model)의 복셀 AUROC가 0.873에서 0.583으로 떨어진 반면 슬라이스 수준 AUROC는 거의 변하지 않았음을 보여주었습니다. 각 지표 내에서 모델 방식은 복셀 AUROC 및 AUPRC 분산의 최소 0.95, Dice의 0.77을 설명했으나, 병변 정의와 적중 기준이 지배적이었던 병변 민감도에서는 0.14만을 설명했습니다. 검증 임계값에서 유의미했던 Dice 우위는 실현된 위양성 부담이 동일할 때 사라졌으며, 엄밀한 항등 분석을 통해 이를 임계값 전이(threshold transfer)의 영향으로 귀속시켰습니다. REFLECT의 잠재 집계 방식을 학습 없이 변경함으로써 동일 부담에서 Dice를 0.052 향상했습니다. 9개의 가설이 명시적 기준에 따라 검정되었으며, 프로토콜 개발에 동일한 코호트가 사용되었으므로 모든 추론(inference)은 탐색적입니다.
조영증강 종양(ET)은 대비가 낮고 주변 조직과 겹치며, 스캐너 및 촬영 기관의 차이로 인해 도메인 이동(domain shift)이 발생하기 때문에 뇌종양 분할은 여전히 어렵습니다. 본 논문에서는 슬라이스 적응형 FLAIR 영상을 합성하기 위해 입력 적응형 동적 합성곱(dynamic convolution), 스타일 인식 특징(feature) 혼합 및 좌표 인코딩을 결합한 대비 향상 조건부 생성적 적대 신경망(GAN)인 DE-GAN을 제안합니다. 레이블 유도 클래스 조건부 타깃은 해부학적 구조를 보존하면서 종양 코어(TC)와 ET 강도를 분리합니다. 생성된 FLAIR는 원본 MR 모달리티와 연결(concatenate)되어 3D U-Net 학습(training)에 사용됩니다. BraTS 2015, 2018 및 2019 전반에 걸쳐 DE-GAN은 보고된 대부분의 TC/ET 지표에서 기준선(baseline) 및 정적 EnhGAN 대체 대비 분할 성능을 개선했으며, 원본과 향상된 FLAIR를 모두 유지했을 때 가장 큰 이득을 얻었습니다. 코드와 사전학습된 모델은 https://github.com/zkhansuri-ui/DE-GAN 에서 확인할 수 있습니다.
뇌 전이(brain metastases)는 가장 흔한 두개내 악성종양으로, 원발성 고형암 환자의 약 30%에서 발생하며 중앙값 생존 기간은 약 5.9개월이다. 자동 분할(segmentation)은 치료 계획 수립과 부피 모니터링에 매우 중요하지만, 전이 병변은 한 환자 내에서도 크기가 작고 수가 많으며 이질적인 경우가 많다. 우리는 종단적 UCSD 하위 데이터셋으로 인한 정보 누출을 방지하기 위해 환자 단위 그룹 교차 검증(patient-grouped cross-validation)을 사용하여, BraTS-METS 2026 Task 1에 대해 일반 nnU-Net 기준선(baseline), Residual Encoder Large(ResEncL) 변형 모델, 영역 기반 학습(region-based training), Primus 트랜스포머(transformer) 모델을 비교한다. Primus(레이블 기반)는 집계 DSC/NSD 기준으로 가장 우수한 단일 모델로, ET에서 0.710/0.761, TC에서 0.742/0.785, WT에서 0.683/0.689, RC에서 0.531/0.436을 달성했다. ResEncL은 집계 DSC/NSD에서는 Primus에 뒤지지만 병변 단위 F1 점수는 훨씬 높다(예: ET에서 0.452 대 0.052). 두 모델의 확률 평균 앙상블(probability-averaging ensemble)은 ResEncL의 F1 우위를 부분적으로만 유지한다(ET 병변 단위 F1: 0.064). 또한 우리는 이번 챌린지를 넘어 일반화될 수 있다고 판단되는 후처리 및 레이블 재구성 관련 세 가지 함정(pitfall)을 함께 보고한다. 코드는 https://github.com/mahdiislam79/BraTS_METS_2026 에서 확인할 수 있다.
기존 BraTS-GLI 데이터셋은 성인 교모세포종 MRI 분할을 위한 널리 사용되는 벤치마크를 제공하지만, 과제 정의는 종양 하위 영역에 초점을 맞추며 공존하는 백질 고신호 강도(WMH)를 체계적으로 표현하지 않는다. 공동 분할 설정에서 이러한 레이블이 없는 이상 소견은 병리학적 영역을 정상 조직으로 취급함으로써 과제별 레이블 노이즈를 유발한다. 이 한계를 해결하기 위해, BraTS 2023-GLI 학습 코호트를 기반으로 구축한 접근 제한형 레이블 전용 파생 리소스인 BraTS-GLI Anatomy-Lesion을 제안한다. 이 리소스는 원본 4모달 MRI 케이스와 정렬된 1,251개의 통합 8클래스 해부-병변 레이블 세트를 제공하며, 복구된 영상 입력이 필요한 116개 케이스에 대한 영상 복구(image-repair) 레이블을 포함한다. 코호트는 394케이스 정제(purified) 부분집합과 857케이스 확장(extended) 부분집합으로 구성되며, 레이블 출처, 영상 복구 요구사항, 품질 관리 상태, 접근 조건, 체크섬, 공개 범위를 포함하는 케이스 수준 메타데이터를 제공한다. 원본 BraTS-GLI 주석과 비교하여, 이 리소스는 통합 레이블 공간 내에서 건강한 뇌 조직과 이전에 레이블이 없던 공존 이상 소견을 포함함으로써 전경 영역 지도학습을 실질적으로 확장한다. MedNeXt와 T1/FLAIR 입력을 사용한 검증 연구에 따르면, WMH 인식 지도학습은 도메인 내 GLI 및 외부 WMH 데이터셋 모두에서 건강 조직 분할 성능을 유지하는 동시에, 노이즈 대조(noisy-control) 학습 대비 공존 병변에 대한 민감도를 향상시키는 것으로 나타난다. 이 리소스는 과학 연구를 목적으로 하며, 공동 해부-병변 지도학습, 레이블 노이즈 분석, 재현 가능한 평가를 지원한다. 데이터는 https://www.synapse.org/Synapse:syn75210889/wiki/ 에서, 코드는 https://github.com/xyx200/brats-gli-anatomy-lesion-code 에서 이용 가능하며, 데이터 리소스 DOI는 https://doi.org/10.7303/SYN75210889 이다.
다중 매개변수 MRI를 활용한 정확한 뇌종양 분할은 효과적인 치료 계획 수립에 필수적이다. 그러나 임상 환경에서는 모든 MRI 시퀀스를 완전히 획득하는 것이 항상 가능하지 않다. 특정 MRI 모달리티의 부재는 기존 분할 방법의 성능을 크게 저하시키는데, 이러한 방법들은 일반적으로 단순한 특징 연결(concatenation)이나 직접적인 융합 전략에 의존한다. 이러한 한계를 해결하기 위해, 본 논문은 모달리티 누락 환경에서 안정적인 성능을 유지하도록 설계된 새로운 분할 모델 D3Seg를 제안한다. D3Seg는 고차 모달리티 간 의존성을 모델링하는 Multi-hop Modality Graph Fusion(MMGF), 잠재 공간에서 누락된 T1ce 및 FLAIR 특징 표현을 보완하는 경량 확산 기반 대체(imputation) 메커니즘, 그리고 지배적 클래스의 과신(overconfidence)을 완화하고 과소 표현된 종양 하위 영역의 경계 구분을 개선하는 확률 공간 결정 정제(probability-space decision refinement)를 도입한다. 제안된 D3Seg 모델은 BraTS 2023 Glioma를 주요 벤치마크로 평가하고, 종양 병리 전반에 걸친 일반화 성능을 평가하기 위해 외부 데이터셋인 BraTS 2023 Meningioma 코호트의 일부에서 추가 테스트를 수행한다. 다양한 모달리티 누락 조건에서 최신 모델들과 비교한 결과, 제안된 모델은 BraTS Glioma 데이터셋에서 현재 최고 성능 모델 대비 여러 모달리티 누락 구성에서 강화 종양(ET, enhancing tumor)에 대해 약 1.5~2.0%, 종양 핵심부(TC, tumor core)에 대해 약 1.0%의 Dice 점수 향상을 달성한다. BraTS Meningioma 데이터셋에서의 코호트 간 평가는 제안된 모델의 일반화 가능성을 입증하며, 여러 모달리티 누락 구성에서 난이도가 높은 TC 및 ET 영역에서 각각 약 1.5~3.0%, 1.5~6.5%의 일관된 성능 향상을 보인다.
신경교종(Gliomas)은 성인에서 가장 흔한 악성 뇌종양이자 가장 치명적인 질환 중 하나입니다. 적극적인 치료에도 불구하고 중앙 생존 기간은 15개월 미만입니다. 정확한 다중 파라미터 MRI(multiparametric MRI, mpMRI) 종양 분할(segmentation)은 수술 계획, 방사선 치료 및 질병 모니터링에 필수적입니다. 딥러닝 모델이 자동 분할의 정확도를 향상시켰지만, 대규모 사전학습 모델은 일반화 성능이 낮아 성능이 저하되는 경우가 많으며, 위양성(false positives), 라벨 교환(label swaps), 슬라이스 불연속성과 같은 체계적 오류를 발생시킵니다. 이러한 한계는 GPU 자원에 대한 불평등한 접근성과 대규모 모델 학습의 증가하는 환경적 비용으로 인해 더욱 심화됩니다. 본 연구에서는 다양한 종양 유형에 대해 개발된 대규모 사전학습 모델이 생성한 신경교종 분할 결과의 품질을 개선하기 위한 적응형 후처리 기법을 제안합니다. 우리는 여러 BraTS 2025 분할 챌린지 과제에서 해당 기법을 입증하였으며, 사하라 이남 아프리카 챌린지에서는 순위 메트릭이 14.9%, 성인 신경교종 챌린지에서는 0.9% 향상되었습니다. 이 접근 방식은 뇌종양 분할 연구의 패러다임을 점차 복잡해지는 모델 아키텍처에서 정밀하고, 계산적으로 공정하며, 지속 가능한 효율적이고 임상적으로 정렬된 후처리 전략으로 전환하는 것을 촉진합니다.
다중 파라미터 자기공명영상(MRI)에서 뇌종양의 강인하고 일반화 가능한 분할은 종양 유형이 매우 다양하기 때문에 여전히 어렵습니다. BraTS 2025 Lighthouse Challenge는 성인 및 소아 종양의 다양한 고품질 데이터셋인 다중 컨소시엄 국제 소아 뇌종양 분할(PED), 수술 전 수막종 종양 분할(MEN), 수막종 방사선 치료 분할(MEN-RT), 치료 전후 뇌 전이 분할(MET)에서 분할 방법들을 벤치마킹합니다. 본 연구에서는 최신 모델을 선택하고 결합하며 학습 전후에 종양 및 병변 특화 처리를 적용하여 분할 성능을 향상시키는 유연하고 모듈화되며 적응 가능한 파이프라인을 제안합니다. MRI에서 추출된 방사선학적 특징(radiomic features)은 종양 아형을 감지하는 데 도움을 주어 더 균형 잡힌 학습을 보장합니다. 맞춤형 병변 수준 성능 지표는 앙상블 내 각 모델의 영향력을 결정하고 예측을 더욱 정교하게 다듬는 후처리를 최적화하여, 워크플로우가 모든 단계를 각 사례에 맞게 조정할 수 있도록 합니다. BraTS 테스트 세트에서 본 파이프라인은 여러 챌린지에 걸쳐 최상위 알고리즘과 대등한 성능을 달성했습니다. 이러한 결과는 맞춤형 병변 인지(lesion-aware) 처리와 모델 선택이 특정 네트워크 아키텍처에 종속되지 않으면서도 강인한 분할을 달성할 수 있음을 확인시켜 줍니다. 본 방법은 진단과 예후를 지원하는 임상 진료에서의 정량적 종양 측정에 활용될 잠재력을 가지고 있습니다.