PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13422v1cs.CV

SADL: ISLES 2026 만성 뇌졸중 병변 분할을 위한 크기 적응형 결정 층

SADL: A Size-Adaptive Decision Layer for Chronic Stroke Lesion Segmentation in ISLES 2026

만성 허혈성 뇌졸중 병변은 T1 강조 MRI에서 분할하기 어렵습니다. 병변의 외형이 건강한 조직과 겹치고 부피가 4자릿수(orders of magnitude)에 걸쳐 분포하므로, 복셀 수준(voxel-level) 지표와 병변 수준(lesion-level) 지표가 서로 상충하는 경우가 많습니다. 본 연구에서는 다섯 가지 설계 축을 다루는 11개 구성 요소의 nnU-Net 앙상블(ensemble)을 구축합니다. 이 축에는 기준선(baseline) Dice + top-K 손실(loss), 강력한 증강(heavy augmentation), 병변별 부피 손실 재가중치 부여(loss re-weighting), 확률적 가중치 평균화(SWA), 그리고 코호트 균형 샘플링과 잔차 인코더 백본을 결합한 샘플링 및 아키텍처 블록이 포함됩니다. 구성 요소들의 가중 소프트 맵 융합(weighted soft-map fusion) 결과는 튜닝된 결정 층인 SADL로 입력되며, SADL은 병변 부피를 추정하고 적응형 병변 크기별 임계값을 적용하며, 복셀 수와 피크 확률을 기반으로 컴포넌트를 가지치기(pruning)하고, '비어 있지 않음(never-empty)' 구제 단계를 추가합니다. 모든 융합 가중치(weight)와 버킷별 파라미터는 폴드 외(out-of-fold, OOF) 예측값을 기반으로 피팅되므로, 튜닝 과정에서 별도 보관된 테스트 세트를 전혀 참조하지 않습니다. 기관이 분리된 91건의 홀드아웃 데이터셋에서 챌린지의 공개 평가 코드로 온라인 점수를 매긴 결과, SADL은 Dice 0.7322, 병변 F1 0.7461, PR-AUC 0.8430을 달성했습니다. 기준 단일 앙상블 구성 요소와의 대응 비모수 부트스트랩 검정 결과 p=0.024에서 병변 F1 향상이 확인되었으며, 고정 임계값 적용 시 묵과되어 버려졌을 케이스들을 구제 단계가 복원해 냄으로써 작은 병변 구간에서 성능 향상이 가장 두드러졌습니다.

arXiv:2607.03253v1cs.CV

헤마톡실린 및 에오신 조직병리 이미지에서 시맨틱 세그멘테이션 기반 간암 이미지 수준 진단

Semantic Segmentation-Driven Image-Level Diagnosis of Liver Cancers in Hematoxylin and Eosin Histopathology Images

헤마톡실린 & 에오신(H&E) 염색은 일상적인 진단 워크플로우의 주요 진입점을 구성하므로, 전체 슬라이드 H&E 이미지를 활용한 컴퓨터 보조 진단은 임상적으로 특히 중요하다. 그러나 검체 준비, 염색 프로토콜 및 스캐닝 조건의 상당한 변동성과 전문가 픽셀 수준 어노테이션의 내재적 불확실성으로 인해 H&E 염색 이미지의 자동화 분석은 어렵다. 본 연구에서는 각 조직병리 이미지가 단일 암 유형에 해당한다는 임상적으로 동기화된 가정에 기반한 이미지 수준 진단을 위한 시맨틱 세그멘테이션 기반 프레임워크를 제안한다. 이미지 수준 예측은 세그멘테이션 출력에서 지배적인 픽셀 수준 레이블의 클래스를 할당함으로써 획득된다. 임상적 관련성을 보장하기 위해 nnU-Net 아키텍처를 채택하고, 본 연구에서 수집한 공개 데이터셋으로 세 가지 간암 유형에 대한 픽셀 수준 어노테이션을 사용하여 학습하였다: 간세포암종(HCC; 30명 환자의 55개 이미지), 담관세포암종(CCA; 29명 환자의 55개 이미지), 대장 전이성 선암종(CMA; 30명 환자의 60개 이미지). 어노테이션은 4명의 병리학자가 독립적으로 제공하였다. 우리는 염색 정규화와 시맨틱 세그멘테이션의 조합이 도메인 시프트를 완화하고 어노테이션 노이즈에 대한 민감도를 감소시킨다고 가설을 세운다. 5-폴드 교차 검증 결과 균형 정확도 0.975(HCC), 0.950(CCA), 1.000(CMA)을 달성하였으며, 이는 면역조직화학 염색으로 얻은 결과와 비교 가능하고 패치 수준 어노테이션으로 학습된 여러 심층 학습 모델보다 우수하다. 제안된 프레임워크는 병리학자가 면역조직화학 마커 선택을 우선순위화하는 데 지원할 수 있는 가능성을 지니며, 이를 통해 진단 비용과 처리 시간을 절감할 수 있다. 면역조직화학 소견과의 통합은 전반적인 진단 신뢰성을 향상시킨다.

arXiv:2607.02127v1eess.IV

Population-Scale Segmentation of Penile Tissue in DIXON MRI using Deep Learning for Quantitative Phenotyping in Male Reproductive Health

DIXON MRI에서 음경 조직을 자동 분할하기 위해 3D nnU-Net 기반 딥러닝 프레임워크를 개발하고, 145명의 전문가 주석 데이터로 학습하여 독립 테스트셋에서 Dice 0.92의 관찰자 수준 정확도를 달성했다. UK Biobank의 34,412명에 배포하여 외부 및 내부 구조를 포함한 전체 음경 조직의 정량적 표현형 분석을 집단 규모로 가능하게 한 최초의 연구다.

arXiv:2606.07381v1eess.IV

저데이터 환경에서 자동 국소 피질 이형증 검출에 미치는 합성 병변 MR 영상의 영향

Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios

배경 및 목적: 국소 피질 이형증(FCD)의 자동 검출에는 대량의 복셀 단위 병변 경계 MRI 데이터가 필요하며, 이를 확보하기 어렵다. 본 연구는 FCD를 나타내는 합성 MRI 데이터를 생성하고, 그 사실성을 평가하며, 특히 수동 주석의 필요성을 줄이는 측면에서 자동 FCD 검출에 미치는 영향을 평가하는 것을 목표로 한다. 방법: 3개 기관의 FCD 환자 131명과 건강 대조군 90명의 T1 가중(T1w) 및 T2 가중 억액 반전 회복(Fluid-Attenuated Inversion Recovery, FLAIR) MRI 스캔을 후향적으로 연구하였다. 합성 MRI는 이진 FCD 마스크에 조건을 걸어 생성 네트워크로 생성하였다. 두 명의 신경 방사선과 전문의가 무작위로 구성된 14장의 실제 스캔과 14장의 합성 스캔 중 실제 영상을 식별하였다. FCD 검출을 위해 3개의 nnU-Net 모델을 학습하였다: (i) 실제 데이터만(35 FCD / 35 대조군), (ii) 실제 데이터(35 FCD / 35 대조군)와 합성 증강, (iii) 확장된 실제 데이터(70 FCD / 70 대조군). 결과: 전문가들은 실제 영상과 합성 영상을 구분하는 능력이 제한적이었으며, T1w에서 분류 정확도 60%, FLAIR에서 70%였다(평가자 간 일치도 kappa = 0.86). 합성 데이터로 자동 FCD 검출을 증강하면 민감도가 8.14% 증가하였고(p = 0.12), 실제 병변 부위에서의 모델 신뢰도가 향상되었다(0.83 ± 0.11에서 0.89 ± 0.12; p = 0.02). 확장된 실제 데이터 모델은 민감도를 73.8%까지(p < 0.001), 신뢰도를 0.90 ± 0.14까지(p = 0.01) 더욱 향상시켰다. 결론: 조건부 생성 네트워크는 사실적인 합성 FCD-MRI를 생성할 수 있으며, 동등한 민감도를 유지하면서 라벨링된 데이터 필요량을 약 20% 줄일 수 있다. 이용 가능한 경우, 동등한 양의 실제 데이터가 합성 증강보다 여전히 더 효과적이다.