PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13387v1eess.IV

라벨 조건부 등각 예측을 활용한 라디오믹스 기반 갑상선 결절 분류

Radiomics-Based Thyroid Nodule Classification with Label-Conditional Conformal Prediction

갑상선 결절의 악성도 평가는 초음파 영상에 의존하지만, 기존의 위험 계층화 시스템은 관찰자 간 상당한 변동성으로 인해 불필요한 생검 비율이 높아지는 문제를 겪고 있습니다. 본 논문에서는 PyRadiomics를 통한 정량적 특징 추출과 일반화 가산 모델(GAM) 분류기를 결합한 라디오믹스(radiomics) 기반 프레임워크를 제안합니다. 이 분류기는 판별 성능과 해석 가능성 간의 우수한 절충점을 보여 6개의 후보 중 선정되었습니다. 점 예측을 불확실성 추정으로 보완하기 위해 라벨 조건부 보장을 갖춘 교차 등각 예측(Cross-Conformal Prediction)을 적용하여, 이진 결정을 강제하기보다는 모호한 사례를 임상 검토 대상으로 플래깅(flagging)합니다. 실험은 갑상선 결절의 공개 초음파 데이터셋인 TN5000에서 수행되었습니다. 스피어만 상관관계 필터링 후 36개의 특징이 유지되었으며, GAM은 검증 세트에서 $0.89$의 AUC, $0.83$의 민감도, $0.82$의 특이도를 달성했습니다. 두 클래스 모두에 대한 실증적 커버리지 보장을 보장하도록 선택된 유의수준 $ε=0.09$에서, 테스트 세트 결절의 63\%가 확실한(즉, 단일 라벨) 예측을 받았으며, 확실한 악성에 대해서는 $0.94$의 조건부 정밀도와 확실한 양성 사례에 대해서는 $0.73$의 조건부 음성 예측도(NPV)를 기록한 반면, 나머지 37\%는 임상의에게 의뢰되었습니다.

arXiv:2605.14667v2cs.AI

촬영 매개변수에 대한 방사선학 AI 모델 민감도 평가를 위한 통계적 다목적 프레임워크

A Statistical Multi-Objective Framework for Assessing Sensitivity of Radiomic AI Models to Acquisition Parameters

임상 일상에서 AI 방사선학 시스템의 배포를 가로막는 주요 장벽은 이질적인 다기관 촬영 프로토콜 하에서 성능이 저하되는 것이다. 본 연구는 방사선학 AI 모델의 스캔 매개변수 민감도를 정량화하고, 교차 데이터셋 견고성 향상과 관련된 임상적으로 유의미한 매개변수 영역을 식별하는 성능 중심 프레임워크를 제안한다. 혼합효과 모델링(mixed-effects modelling)과 계층적 파레토(Pareto) 기반 전략을 결합하여 촬영 매개변수의 영향을 정량화하고, 예측 모델의 낮은 성능과 관련된 임계값을 선택한다. 본 프레임워크를 CT 스캔 기반 폐암 진단에 적용하며, 두 개의 독립적인 다기관 데이터셋(공개 데이터셋과 자체 수집 비공개 데이터) 및 여러 최신(state-of-the-art) 아키텍처를 사용한다. 결과의 전이 가능성(transferability)을 평가하기 위해 CT 매개변수는 비공개 데이터로 선택하고 공개 데이터셋에서 검증하였다. 선택된 구성에서, 낮은 성능 조건에서의 검증은 정확도 0.72([0.59, 0.86], 95% CI) 및 F1Score 0.71([0.58, 0.84], 95% CI)를 보였으며, 높은 성능 조건에서는 정확도 0.88([0.7, 1.0], 95% CI)와 F1Score 0.87([0.69, 1.0], 95% CI)를 얻었다.

arXiv:2607.13323v1cs.CV

SARFA: 레이디오믹 특징 정렬 기반 Segment Anything

SARFA: Segment Anything with Radiomic Feature Alignment

Segment Anything Model(SAM)은 다양한 분할 작업에서 강한 일반화 성능을 보여왔다. 그러나 SAM은 분할 대상이 모호한 상황에서 종종 어려움을 겪는다. 이는 종양과 같은 대상의 정확한 경계 설정이 중요한 의료 영상에서 문제가 되며, 전문 방사선과 의사조차 대상의 적절한 경계에 대해 의견이 일치하지 않을 수 있다. 이를 해결하기 위해, 우리는 의료 이미지 분할을 개선하기 위한 새로운 프레임워크인 SARFA(Segment Anything with Radiomic Feature Alignment)를 제안한다. 확률적 프롬프팅을 통해 SARFA는 각 입력 이미지에 대해 다양한 그럴듯한 마스크 집합을 생성하고, Fréchet Radiomic Distance(FRD)와 직접 선호 최적화(DPO)에 기반한 방사선학적 특징학 기반 학습 목적함수로 이를 최적화한다. 각 이미지 내에서 마스크가 적용된 예측 영역과 정답(ground truth) 영역 사이의 FRD를 최소화함으로써, SARFA는 픽셀 수준 겹침에만 의존하지 않고 해부학적·질감적 특성이 임상적으로 의미 있는 정답 표현과 일치하는 분할 출력을 유도한다. 컴퓨터 단층촬영(CT) 및 자기공명영상(MRI) 벤치마크에서 평가한 결과, SARFA는 기존 모호 분할 방법들을 능가하며, 레이디오믹 특징 정렬과 DPO 방식의 후보 마스크 순위 지정이 학습 목적함수로서 효과적임을 보여준다. 코드는 https://github.com/tbwa233/SARFA 에서 제공된다.

arXiv:2607.12399v1cs.CV

보간 없는 물리 기하 인식 라디오믹스: CT 및 MRI에서 복셀 기하와 신호 변화의 분리

Physically Aware Radiomics Without Interpolation: Disentangling Voxel Geometry and Signal Modification in CT and MRI

목적: 라디오믹스 텍스처 특징은 일반적으로 복셀 인덱스 이웃에서 계산되며, 암묵적으로 등방성(isotropic) 공간 관계를 가정한다. 이방성(anisotropic) 영상에서는 이것이 복셀 기하와 보간에 의해 유발된 신호 변화를 혼동하게 할 수 있다. 우리는 리샘플링 없이 텍스처 계산에 물리적 기하를 통합하는 복셀 간격 인식(voxel-spacing-aware) 라디오믹스 프레임워크를 개발했다. 방법: 우리는 원본 영상 신호를 보존하면서 복셀 간격을 고려하도록 PyRadiomics를 수정했다. 네 가지 구성을 비교했다: 원본 비리샘플링 추출(NR), 등방성 리샘플링(RS), 복셀 간격 인식 추출(VS), 그리고 영상 배열을 변경하지 않고 간격 메타데이터만 덮어쓴 가짜 등방성 전처리(FK). 실험에는 196개의 라디오믹스 서술자(descriptor)를 사용하여 LIDC-IDRI 폐 결절 685건과 I-SPY2 유방 MRI 209건이 포함되었다. 강건성(robustness)은 ICC, 피험자 내 변동성, Friedman 검정, 특징 선택, 머신러닝, 다층 퍼셉트론, 외부 검증으로 평가했다. 주요 결과: VS는 NR과 거의 원본 수준의 일치를 보였다: CT에서 중앙값 ICC(A,1)은 0.9976, MRI에서는 0.9984였다. RS는 더 낮은 일치와 더 큰 편차를 나타냈고, FK는 중간 수준의 거동을 보여 간격 메타데이터만으로도 라디오믹스 특징에 영향을 줄 수 있음을 확인했다. 그래디언트 기반 및 이웃 민감 서술자가 전처리에 가장 크게 영향을 받았다. VS는 외부 CT 검증에서 NR에 준하는 예측 성능을 유지했으나, MRI는 전처리 전략과 분류기에 걸쳐 더 큰 변동성을 보였다. 의의: 복셀 간격 인식 추출은 원본 영상 신호를 보존하면서 기하 모델링과 보간 유발 신호 수정을 분리하며, 이방성 CT 및 MRI의 라디오믹스 분석을 위한 등방성 리샘플링의 일관된 대안을 제공한다.

arXiv:2607.08084v1eess.IV

ConRad: 방사체학을 위한 효율적인 등각 예측

ConRad: Efficient Conformal Prediction for Radiomics

의료 영상 분할 마스크에서 도출되는 방사체학(radiomics) 특징의 불확실성을 정량화하기 위해, 예측 마스크의 기하학적 정보, 경계 불확실성, 강도 분포 등 테스트 시점 공변량을 활용하는 등각 예측(conformal prediction) 프레임워크 ConRad를 제안한다. 5개 2D 의료 영상 데이터셋과 171개 방사체학 타깃에 대한 실험에서 ConRad는 명목 수준에 가까운 커버리지를 유지하면서 블랙박스 기준선 대비 구간 효율성을 향상시켰으며, 분할 경계 불확실성 특징이 효율성 향상에 가장 크게 기여함을 확인하였다.

arXiv:2512.14648v2cs.CV

방사선학적 특징 기반 아형 분류와 병변 수준 모델 앙상블을 활용한 다양한 뇌종양의 적응형 분할 파이프라인

Adaptable Segmentation Pipeline for Diverse Brain Tumors with Radiomic-Guided Subtyping and Lesion-Wise Model Ensemble

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.

arXiv:2606.11107v2eess.IV

특징 융합을 이용한 멀티모달 뇌종양 분류

Multimodal Brain Tumour Classification Using Feature Fusion

임상의는 환자 증상, 병력, MRI 및 CT 스캔과 같은 방식의 정량적 영상 데이터를 통합된 임상 판단으로 종합하여 뇌종양을 진단한다. 그러나 대부분의 심층 학습 모델은 MRI/CT 영상만에 의존하여 임상의의 멀티모달 추론을 재현하지 못한다. 우리는 원시 MRI 스캔과 91개의 추출된 라디오믹 특징(강도, 질감, 형태, 경계 서술자)을 결합하여 뇌종양을 교모세포종(glioma), 수막종(meningioma), 뇌하수체(pituitary), 무종양(no-tumor)으로 분류하는 이중 분기 멀티모달 네트워크를 탐구한다. 사전학습된 CNN 백본이 영상 스트림을 인코딩하고, 전용 MLP가 라디오믹 스트림을 인코딩한다. 두 스트림은 연결(concatenation), 게이팅(gated), 또는 양방향 교차-모달 어텐션 전략을 통해 융합된다. 균형 잡힌 7,200장 영상 데이터셋에 대한 9회 실험에서 모든 멀티모달 구성이 단일 모달 기준선을 능가했으며, 게이트 융합이 96.13%의 최고 정확도를 달성했다.