arXiv:2610.13422v1 cs.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

Marek Wodzinski, Gniewosz Drwiega, Wojciech Szymanski

제출 2026-10-09

저자 비고

arXiv Comments

ISLES 2026 Challenge Contribution

한국어 초록

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.

원문 초록

Chronic ischemic stroke lesions are difficult to segment on T1-weighted MRI. Their appearance overlaps with healthy tissue, and their volumes span four orders of magnitude, so voxel-level and lesion level metrics often disagree. We build an eleven-member nnU-Net ensemble that covers five design axes: a baseline dice + top-K loss, heavy augmentation, per-lesion volume loss re-weighting, stochastic weight averaging, and a sampling-and-architecture block that pairs cohort-balanced sampling with a residual-encoder backbone. Weighted soft-map fusion of the members feeds a tuned decision layer, SADL, that estimates lesion volume, applies an adaptive per-lesion-size threshold, prunes components by voxel count and peak probability, and adds a never-empty rescue. All fusion weights and per-bucket parameters are fitted on out-of-fold (OOF) predictions, so tuning never touches the held-out test set. On a site-disjoint 91-case holdout, SADL reaches Dice 0.7322, lesion-F1 0.7461 and PR-AUC 0.8430 when scored online with the challenge's released evaluation code. A paired non-parametric bootstrap against a reference single ensemble member confirms the lesion-F1 gain at p=0.024, and the gain is largest in the small-lesion regime, where the rescue step recovers cases that a fixed threshold would silently discard.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.13422v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22397v1eess.IV공통 태그 Ensemble Learning, Medical Image Segmentation

가상 조영증강 유방 MRI를 위한 병변-게이팅 하이브리드 합성: MAMA-SYNTH 챌린지 솔루션

Lesion-Gated Hybrid Synthesis for Virtual Contrast-Enhanced Breast MRI: A MAMA-SYNTH Challenge Solution

목적: 조영증강 유방 MRI는 정맥 내 가돌리늄 기반 조영제에 의존하며, 이는 조영 전(pre-contrast) 영상만으로 조영 후(post-contrast) 모습을 합성하는 방법에 대한 동기를 제공한다. MAMA-SYNTH 챌린지(MICCAI 2026 Deep-Breath 워크숍)는 이러한 합성을 영상 충실도(image fidelity), 종양 관심 영역(tumour region of interest), 다운스트림 분류, 다운스트림 분할(segmentation)의 네 가지 지표 그룹에 걸쳐 평가한다. 네 그룹의 순위는 평균화되므로, 단일 목적 함수를 최적화하는 것만으로는 충분하지 않다. 재료 및 방법: 우리는 병변-게이팅(lesion-gated) 하이브리드 합성 파이프라인을 개발했다. 조영 전 영상만을 사용하는 분할 네트워크 앙상블(ensemble)에 의해 조영 전 슬라이스만으로 추정된 병변 확률 지도는, 종양 중심 회귀(regression) 경로와 배경 중심 Pix2PixHD 합성 경로를 공간적으로 조율하며, 이후 예측된 조영증강에 대한 영역-의존적 보정이 이어진다. 학습(training)에는 환자 단위 분할을 적용한 공개 MAMA-MIA 데이터 수집을 사용했다. 추론(inference)은 단일 조영 전 2D 슬라이스만을 입력으로 사용하며, 마스크, 조영 후 영상, 영상 기하 정보 이외의 보조 메타데이터는 사용하지 않는다. 결과: 내부 검증(validation)(n = 120명의 환자)에서 이 방법은 MSE 0.523, LPIPS 0.185, 종양 영역 SSIM 0.495를 달성했다. 이 방법은 자체 완결형(self-contained) 추론 컨테이너 형태로 비공개 외부 300건 테스트 코호트에 제출되었다. 이 방법은 공식 MAMA-SYNTH 챌린지 리더보드에서 6위를 기록했다. 결론: 조영 전 영상으로부터 도출된, 테스트 시점에도 적용 가능한 병변 확률 지도는 상호 보완적인 종양 중심 회귀와 배경 중심 지각적 합성을 조율할 수 있으며, 이를 통해 다중 지표(multi-metric) 챌린지 환경에서 균형 잡힌 가상 조영증강을 가능하게 한다.

arXiv:2609.22398v1eess.IV공통 태그 Ensemble Learning, Medical Image Segmentation

심방세동을 위한 LGE-MRI 다기관 양심방 분할: 2D 및 3D 프레임워크

Multicentre Bi-atrial Segmentation from LGE-MRI for Atrial Fibrillation with a 2D and 3D Framework

지연 가돌리늄 강화 MRI(LGE-MRI)에서 양심방 구조를 정확히 윤곽화하는 것은 심방세동(AF)에서의 구조 분석과 향후 섬유화 정량화 워크플로우를 위한 중요한 선행 조건이다. 그러나 얇은 벽을 가진 해부학적 구조, 영상 센터 간 도메인 시프트(domain shift), 기존 방법에 대한 제한된 벤치마킹 때문에 자동 분할은 어렵다. 본 연구는 다기관 LGE-MRI 데이터셋에서 ROI(관심 영역) 지역화, 인코더 설계, 2D/3D 차원, 앙상블 융합이 양심방 벽 및 심방강 분할에 미치는 영향을 평가하기 위한 2단계 분할 프레임워크와 벤치마킹 플랫폼을 제시한다. 이 프레임워크는 ResNeXt 인코더를 갖춘 2D·3D U-Net 변형으로 3D 국소화와 세밀 분할을 통합하고, 컨볼루션, 트란스포머 기반, 상태 공간(state-space) 아키텍처와 비교한다. 세 개의 독립 코호트에 걸친 평가는 타깃 도메인 미세조정 없이 정확도와 교차 도메인 전이를 측정했다. 심방강 분할은 심방 벽 분할보다 센터 간 더 일관되게 전이되었고, 벽 성능은 도메인 시프트, 특히 Kobe 코호트에서 민감하게 유지되었다. 2D, 3D, 앙상블 아키텍처가 센터 간 및 벽과 심방강 사이에서 어떻게 동작하는지 정량화함으로써, 본 연구는 향후 방법론 개발과 임상 검증을 위한 재현 가능한 벤치마크를 제공한다.

arXiv:2609.24769v1cs.CV공통 태그 Ensemble Learning, Medical Image Segmentation

BraTS 2026 Task 1을 위한 뇌 전이암 분할: 다중 아키텍처 비교

Brain Metastases Segmentation for BraTS 2026 Task 1: A Multi-Architecture Comparison

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.

arXiv:2607.10357v1cs.CV공통 태그 Ensemble Learning, Medical Image Segmentation

GRC-ProbNet: 심혈관 질환 분류를 위한 불확실성 인식 특징 추출

GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification

컴퓨터 단층촬영(CT) 영상에서 심혈관 질환(CVD)을 자동으로 탐지하고 분류하는 것은 임상 실무에서 중요한 역할을 한다. 최근 CVD 분류를 위한 하이브리드 파이프라인(GRC-Net)이 제안되었으며, 이는 딥러닝 기반의 분할(segmentation) 및 등록(registration) 방법을 활용하여 라디오믹(radiomic) 및 기하학적 특징을 추출한다. 그러나 GRC-Net은 결정론적 분할 마스크에 의존하며, 심장 해부 구조와 관련된 내재적 모호성을 고려하지 않는다. 본 논문에서는 딥 앙상블을 활용하여 주어진 입력에 대해 다수의 분할 마스크를 생성하는 GRC-ProbNet을 제안한다. 이러한 마스크들로부터 다수의 불확실성 특징을 추출한다. 분할 오류와의 상관관계 및 하위 CVD 분류 성능에 대한 전파 효과 측면에서 이 불확실성 특징들을 분석한다. 공개 데이터셋인 MM-WHS와 ASOCA에 대한 실험 결과, 분할 품질을 가장 잘 반영하는 불확실성 측정치가 반드시 하위 CVD 분류에 가장 강한 신호를 제공하는 것은 아님을 보인다. 전반적으로, 불확실성 특징을 활용한 GRC-ProbNet은 기준선 GRC-Net 모델(91.25%)에 비해 CVD 분류 AUROC를 92.92%로 실질적으로 향상시킴을 실험 결과가 입증한다. 코드는 공개되어 있다: https://github.com/biomedia-mira/GRC-ProbNet.

arXiv:2607.03253v1cs.CV공통 태그 Medical Image Segmentation, nnu-net

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:2607.03568v1cs.CV공통 태그 Medical Image Segmentation, stroke lesion segmentation

EPRA U-Net: 확산 강조 MRI에서 정확한 경색 분할을 위한 효율적 피라미드 잔차 어텐션 프레임워크

EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI

목적: 확산 강조 자기공명영상(DWI)에서 급성 허혈성 경색의 정확한 식별은 뇌혈관 사건 관리에서 신뢰할 수 있는 병변 정량화와 효과적인 임상 의사결정 지원을 위한 핵심 전제조건이다. 방법: 본 연구는 DWI 영상의 효율적이고 정확한 경색 분할을 위한 과제 특화 통합 아키텍처인 EPRA U-Net(Efficient Pyramid Residual Attention U-Net)을 제안한다. 제안된 아키텍처에서는 EfficientNet 기반 인코더를 최소화된 파라미터화로 계층적 특징 추출기로 활용하였다. 또한 공간 의존성 모델링 성능 향상을 위해 Residual-Recurrent(R2) 블록(원래 공식을 따라 순환 전개 단계 t = 2)과 Atrous Spatial Pyramid Pooling(ASPP)을 통합하였다. 아울러 이중 어텐션 메커니즘을 도입하여 병변 관련 활성화를 강조하는 동시에 불필요한 배경 응답을 억제하였다. 임상적 요구에 부합하는 병변 탐지 우선화를 위해, 최적화 과정에서 특이도보다 탐지 민감도를 강조하는 Tversky 손실 함수를 채택하였다. 결과: 4,895개의 DWI 슬라이스를 포함하는 167명의 환자로 구성된 자체 데이터셋을 활용하여 실험 평가를 수행하였으며, 제안된 EPRA U-Net의 성능을 최신 모델인 UNet++, DeepLabV3+, TransUNet과 비교 평가하였다. 실험 결과, EPRA U-Net은 픽셀 집계 Dice 0.8984, 샘플별 Dice 0.9469, IoU 0.8155, 재현율 0.8887, Lesion F1 0.9378, HD95 11.62 px로 우수한 성능을 달성하였다. 나아가 UNet++, DeepLabV3+, TransUNet 대비 병변 미탐지율이 각각 16%, 25%, 29% 감소하는 명확한 개선이 관찰되었다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.