연합학습(FL)은 환자의 원시 데이터를 공유하지 않고도 의료 이미지 분할 모델의 협력 학습을 가능하게 하지만, 기존 접근법들은 기관 간 연산 자원 예산이 균일하다고 가정하여 자원이 부족한 기관의 참여를 제한합니다. 본 논문에서는 저비용 연산 환경의 학습과 추론을 함께 다루는 UNet 기반 분할용 깊이 적응형 연합 프레임워크인 Fed-ADApt를 제안합니다. Fed-ADApt는 다중 깊이 지도 학습과 계층적 깊이별 집계를 통합하여, 각 기관이 로컬 연산 예산에 맞춰 학습하는 동시에 배포 시 동적 깊이 선택을 지원하는 글로벌 모델에 기여할 수 있도록 합니다. 다중 기관 2D 망막 안저 디스크 분할 및 3D 뇌종양 분할 태스크에서 Fed-ADApt를 평가했습니다. 두 태스크 모두에서 연합 협력은 도메인 이동에 대한 견고성을 대폭 향상시켰습니다. Fed-ADApt는 3D에서 전체 자원을 사용한 FedAvg 성능과 대등했으며, 2D에서는 평균 Dice가 4.7% 감소하는 수준의 경쟁력 있는 성능을 달성한 동시에 평균 추론 비용을 3D에서 19.5%, 2D에서 34.5% 절감하고 자원이 가장 제약된 기관에서 학습 비용을 98% 대폭 줄였습니다. 중요한 점은, Fed-ADApt가 전체 용량의 모델을 학습할 수 없는 저자원 기관도 연합에 참여할 수 있도록 지원하면서 유리한 정확도-효율성 트레이드오프 아래 경쟁력 있는 글로벌 성능을 유지한다는 것입니다. Fed-ADApt는 학습 및 추론 연산 예산을 모두 고려함으로써 이종의 임상 환경과 에지 기반 이미징 환경 전반에서 연합 의료 이미지 분할을 위한 실용적이고 공평한 해결책을 제공합니다.
자동 뇌종양 분할(segmentation)은 진단, 치료 계획 수립, 질병 진행 모니터링을 지원하지만, 이질적인 종양과 제한된 주석 데이터 전반에 걸쳐 일반화되는 모델을 구축하는 것은 여전히 어려운 과제이다. 본 논문에서는 ImageNet으로 사전학습(pre-training)된 VGG16 인코더와, 각 스킵 연결(skip-connection) 융합 이후 다중 채널 어텐션(Multi-Channel Attention, MCA) 모듈이 특징을 재보정하는 디코더를 결합한 하이브리드 아키텍처인 VGG16-MCA UNet을 제안한다. 이 모델은 심각한 전경-배경 불균형에 대응하기 위해 Focal Tversky 손실(loss)로 학습된다.
본 모델은 BraTS 2020 벤치마크와 LGG MRI Segmentation 데이터셋(dataset)이라는 두 개의 공개 데이터셋에서 종양이 존재하는 슬라이스를 대상으로, 2D, FLAIR 단일 시퀀스 전체 종양 분할기로서 평가된다. 5겹 교차 검증(cross-validation)과 다섯 개 폴드(fold) 모델의 가중치를 평균하여 형성한 단일 네트워크를 사용하여, 본 방법은 홀드아웃(held-out)한 BraTS 2020 분할(split)에서 95.10%, LGG에서 88.32%의 집계 픽셀 수준 Dice(F1) 점수를 달성하였다. 이 점수는 사례별로 평균을 낸 것이 아니라 모든 테스트 픽셀을 단일 혼동 행렬(confusion matrix)로 통합하여 계산된 것이므로, BraTS 챌린지 프로토콜에서 사용하는 사례별 평균 Dice와 직접 비교할 수 없다.
모든 분할(partition)은 환자 단위가 아니라 개별 슬라이스 단위로 나뉘었으므로, 모든 환자가 학습과 테스트 양쪽에 슬라이스를 제공한다. 따라서 위의 수치는 이미 알려진 환자 내에서의 보간(interpolation)을 측정한 것이며, 새로운 환자에 대한 일반화가 아니라 상한선(upper bound)으로 해석되어야 한다. 본 모델은 6GB NVIDIA RTX 2060 단일 GPU에서 256x256 슬라이스를 66.32ms에 분할하며, 이는 MCA가 없는 동등한 VGG16-UNet보다 약 8ms 더 긴 시간이다.
우리는 정확하게 명시되고 재현 가능한 2D FLAIR 기준선(baseline)을 제공하기 위해, 분할(split) 기록을 공개하고 프로토콜을 전체적으로 보고한다.
국소 모션 블러 검출은 블러 영역의 픽셀 수준 위치 파악을 필요로 한다. 기존 벤치마크들은 모델이 전이에 실패하는 그래디언트 단축키에 의존하도록 허용한다. 우리는 BOCCHI(Blurred Objects Captured across Cameras with Human-annotated Imagery)를 소개한다. 이는 선명한 영역이 블러 그래디언트 분포와 겹쳐 이러한 단축키를 무력화하는 실제 촬영 벤치마크이며, 주파수 인식 인코더-디코더인 MSDCT-UNet(Multi-Scale Discrete Cosine Transform UNet)을 제안한다. MSDCT-UNet은 DCT 어텐션과 FiLM을 통해 다중 스케일 DCT 사전 정보를 주입한다. MSDCT-UNet은 BOCCHI의 도메인 내 mIoU 및 경계 위치 파악에서 1위를 기록하며, BOCCHI로 학습된 모델은 단 633개의 학습 이미지만으로 교차 데이터셋 전이에서 다른 모든 학습 소스를 능가한다.
피하층 영역의 정확한 분할(segmentation)은 신경외과 수술 계획 및 기능 연구에 필수적이다. 대부분의 자동화 방법은 템플릿 공간 공동등록(coregistration)에 의존하며, 이는 특히 작은 구조에서 환자 특이적 정확도를 저해할 수 있다. 네이티브 공간 접근법이 측정 가능한 이점을 제공하는지 평가할 필요가 있음을 확인했으며, 이를 움직임 장애(movement disorders) 맥락에서 평가했다. 편마비병(Parkinson's Disease)에서 흔한 수술 표적인 시상하핵(Subthalamic Nucleus, STN)과 인접한 적색핵(Red Nucleus, RN) 및 흑질(Substantia Nigra, SN)에 대해 UNet 기반 분할 파이프라인 두 가지를 개발했다. 5개의 공개 데이터셋(dataset)에서 7T 및 3T MRI 데이터를 수집했다. 파이프라인은 수동 레이블과 대조하여 네이티브 공간에서 평가되었다. 템플릿 해상도의 영향을 추가로 조사했다. 모델이 더 높은 자기장 강도에서 표적 경계를 더 잘 학습할 수 있다는 가설에 기반하여, 7T로 학습된 모델의 3T 임상 영상으로의 전이 가능성을 검증했으며, 분리 표현 학습(disentangled representation learning) 방법으로 생성된 합성 3T 학습 데이터가 이 도메인 격차를 메우는 데 도움이 될 수 있는지도 검증했다. 홀드아웃 7T 데이터에서 네이티브 파이프라인은 템플릿 파이프라인을 일관되게 능가했다. STN의 경우, 네이티브 공간 Dice는 0.775 ± 0.055(1 mm 템플릿 대비 0.713 ± 0.051), HD95는 각각 0.79 ± 0.24 mm 대 1.17 ± 1.10 mm였다. RN과 SN에서도 유사한 이점이 관찰되었다. 템플릿 해상도를 높여도 정확도는 개선되지 않았다. 3T 영상에 적용하면 모든 모델에서 상당한 성능 저하가 나타났다. 합성 3T 데이터를 추가하면 7T 성능을 저하시키지 않으면서도 다소의 개선만 이루어졌다. 네이티브 공간 분할은 PD 수술 계획과 같이 환자 특이적 해부학적 충실도가 필요한 응용에 더 적합하다. 7T에서 3T로의 도메인 격차를 메우는 것은 여전히 열린 과제이며, 피하층 구조에 맞춘 도메인 적응(domain adaptation)에 대한 향후 연구를 촉진한다.
자기공명 혈관조영술(MRA)에서 윌리스 동맥환(CoW)을 분할하는 것은 복잡한 위상과 분열(fragmentation)되기 쉬운 얇은 혈관 구조로 인해 까다롭습니다. 표준 합성곱 신경망(CNNs)은 이러한 위상 제약 조건을 포착하는 데 종종 실패하여 "혈관 단절(broken vessel)" 인공물이 발생합니다. 이를 해결하기 위해 본 연구에서는 해부학적 조건 순환 정제 U-Net(AC2RUNet)을 제안합니다. 제안하는 아키텍처는 분할 작업을 두 개의 스트림으로 분리합니다. 하나는 불변의 해부학적 특징을 추출하는 정적 스트림(Static Stream)이고, 다른 하나는 시간이 지남에 따라 위상 오류를 반복적으로 정제하는 경량의 동적 스트림(Dynamic Stream)입니다. 또한, 높은 재현율(recall)을 가진 기하학적 감독에서 위상 인식 제약 조건으로 전환하는 동적 커리큘럼 학습 전략을 도입했습니다. TopCoW 데이터셋에서 검증된 결과, AC2RUNet은 하우스도르프 거리(4.72 mm vs 9.17 mm)와 베티 수 오류(0.19 vs 0.40)를 획기적으로 줄였으며, 유사한 수준의 체적 Dice를 유지하면서 nnU-Net 기준선(baseline) 대비 위상 연결성을 개선했습니다.