🤖 machine learning

Evaluation of Blood Vessel Segmentation Methods on Hard-to-Detect Vascular Structures

이 논문은 표준 분할 방법들이 탐지하기 어려운 혈관 구조를 찾아내는 데 체계적으로 실패한다는 것을 밝히기 위해 국소 혈관 돌출도(Local Vessel Salience, LVS) 지수와 그에 대응하는 평균 저-돌출 재현율(mean Low-Salience Recall, mLSR) 지표를 도입하며, 동시에 알고리즘의 민감도를 향상시키고 혈관 연결성을 보존하기 위한 데이터 증강 전략을 제안한다.

원저자: João Pedro Parella, Matheus Viana da Silva, Cesar Henrique Comin

게시일 2026-07-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: João Pedro Parella, Matheus Viana da Silva, Cesar Henrique Comin

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 거대하고 뒤엉킨 숲속에서 미스터리를 풀려는 탐정이라고 상상해 보십시오. 이 숲에서 나무들은 사실 혈관이며, 당신의 임무는 굵고 튼튼한 줄기부터 거의 보이지 않는 아주 작은 잔가지에 이르기까지 모든 가지를 지도화하는 것입니다. 이것이 바로 의료 영상 분야의 핵심 과제인 **혈관 분할(blood vessel segmentation)**의 세계입니다. 의사와 연구자들은 컴퓨터를 사용하여 이 지도를 그려 질병을 발견하거나, 혈관이 얼마나 뒤틀려 있는지 측정하거나, 심지어 체내에서 혈류가 어떻게 흐르는지 시뮬레이션합니다.

하지만 문제가 있습니다. 이 숲의 모든 나무가 관찰하기 쉬운 것은 아닙니다. 어떤 것들은 어두운 배경을 배경으로 네온사인처럼 밝고 뚜렷합니다. 반면 다른 것들은 희미하고 유령 같아서 그림자 속에 그대로 섞여 버립니다. 오랫동안 과학자들은 컴퓨터 프로그램이 숲을 얼마나 잘 지도화했는지 평가하기 위해 일종의 '성적표'를 사용해 왔습니다. 그러나 이러한 성적표는 마치 학생이 쉬운 문제만 잘 맞혔다고 해서 점수를 주는 것과 비슷합니다. 만약 어떤 프로그램이 밝고 보기 쉬운 혈관의 90%를 정확히 찾아냈다면, 그 프로그램은 높은 점수를 받겠지만, 정작 희미하고 까다로운 혈관들을 완전히 놓쳤을 수도 있습니다. 이것이 문제입니다. 작은 희미한 혈관 하나를 놓치는 것이 전체 지도를 끊어지게 만들어, 실제로는 연속적인 네트워크임에도 불구하고 숲을 단절된 것처럼 보이게 할 수 있기 때문입니다. 큰 질문은 이것입니다. 어떻게 하면 우리 컴퓨터 탐정들이 가장 찾기 어려운 단서들에 집중하도록 강제할 수 있는 더 나은 테스트를 만들 수 있을까요?

이 논문은 이 문제에 접근하는 새로운 방식을 소개하며, 지도의 '보기 어려운' 부분들을 비추는 돋보기 역할을 합니다. 저자들(연방 상파울루스 주립대학교 팀)은 기존의 표준 테스트들이 중대한 결함을 숨기고 있다는 사실을 깨달았습니다. 즉, 컴퓨터는 눈에 띄는 혈관은 잘 찾아내지만 희미한 혈관은 찾는 데 서툴다는 것입니다. 이를 해결하기 위해 그들은 국소 혈관 돌출도(Local Vessel Salience, LVS) 지수라는 새로운 도구를 발명했습니다. '돌출도(salience)'를 혈관이 배경으로부터 얼마나 '튀어나와 보이는가'라고 생각하면 쉽습니다. LVS 지수는 혈관의 모든 아주 작은 조각에 대해 이를 측정합니다. 만약 혈관의 한 부분이 주변 조직과 매우 다르게 보인다면 돌출도가 높습니다(찾기 쉽습니다). 만약 그 부분이 배경과 거의 비슷하게 보인다면 돌출도가 낮은 것입니다(찾기 어렵습니다).

이 새로운 지수를 사용하여, 연구진은 **평균 저돌출 재현율(mean Low-Salience Recall, mLSR)**이라는 특별한 테스트를 만들었습니다. 단순히 "얼마나 많은 혈관을 찾았는가?"라고 묻는 대신, 이 테스트는 "정말로 '보기 어려운' 혈관을 얼마나 많이 찾았는가?"라고 묻습니다. 그들은 16개의 서로 다른 컴퓨터 프로그램(대부분 U-Net이라는 인기 있는 AI 설계의 변형들)을 안구 스캔부터 심장 혈관 조영술에 이르는 6가지 유형의 다양한 의료 영상에 통과시켜 혹독하게 시험했습니다.

결과는 경종을 울렸습니다. 프로그램들은 표준 테스트에서는 높은 정확도로 인상적인 성적을 거두었지만, 연구진이 희미한 혈관들을 살펴보자 무너져 내렸습니다. 저자들은 가장 성능이 좋은 방법들의 경우, 표준 '재현율(recall, 혈관이 발견된 정도)'은 약 85%에서 86% 정도였다는 것을 발견했습니다. 그러나 연구진이 어렵고 돌출도가 낮은 부분에만 집중하는 새로운 mLSR 테스트로 전환하자, 점수는 급격히 떨어졌습니다. 가장 까다로운 데이터셋인 OCTA-500의 경우, 상위 모델들은 겨우 **58%**의 어려운 혈관들만을 찾아냈을 뿐입니다. 이는 현재의 AI 모델들이 이미지의 쉽고 대비가 명확한 부분에만 의존하여 '속임수'를 쓰고 있으며, 까다로운 부분들은 무시하고 있다는 것을 시사합니다.

또한 이 논문은 AI에게 더 나은 교훈을 주는 방법도 시도했습니다. 연구진은 훈련 과정에서 밝은 혈관을 인위적으로 더 희미하게 만들고, 선에 가짜 '끊김'을 추가하는 훈련 기법을 개발했습니다. 아이디어는 AI가 선이 거의 보이지 않을 때조차 점을 연결하는 법을 배우도록 강제하는 것입니다. 이 실험의 결과는 엇갈렸지만 유망했습니다. AI가 학습할 데이터가 매우 많을 때는 이 기법이 별 도움이 되지 않았습니다. 하지만 연구진이 AI에게 아주 적은 양의 데이터(단 4개의 샘플)만을 주었을 때, 이 기법은 놀라운 효과를 발휘했습니다. 이러한 '데이터가 부족한' 시나리오에서, 증강 훈련은 모델의 성능을 크게 향상시키는 데 도움을 주었으며, 이는 의사들이 컴퓨터를 가르칠 수 있는 라벨링된 이미지가 많지 않을 때 이 방법이 생명줄이 될 수 있음을 시사합니다.

요약하자면, 이 논문은 모든 혈관을 찾아내는 문제를 해결했다고 주장하는 것이 아닙니다. 대신, 우리의 현재 도구들이 얼마나 좋은지를 측정하는 더 정직한 자를 제공합니다. 이는 우리의 AI가 명확한 것을 보는 능력은 좋아지고 있지만, 완전한 그림을 만드는 데 필수적인 미세하고 희미한 세부 사항을 파악하는 데는 여전히 고전하고 있음을 드러냅니다. 저자들은 미래의 설계가 단순히 쉬운 부분을 맞히는 것에 집중하기보다, 이 새로운 '돌출도' 도구들을 사용하여 훈련을 유도하는 방식으로 보이지 않는 것을 보는 법을 배우는 데 집중해야 한다고 제안합니다.

기술 요약: 탐지하기 어려운 혈관 구조에 대한 혈관 분할 방법론의 평가

문제 제기
혈관 분할은 임상 진단 및 혈관 연구에 있어 매우 중요하지만, 분할 과정에서의 미세한 오류는 연결성 패턴과 형태학적 측정값을 크게 변화시킬 수 있습니다. Dice 계수, 정밀도(precision), 재현율(recall)과 같은 표준 평가 지표들은 이미지 전체에 걸쳐 성능을 집계합니다. 결과적으로, 이러한 전역적 지표들은 특히 배경과 대비가 낮은 영역, 즉 혈관이 나타나는 특정 부위의 부정확성을 간과하는 경우가 많습니다. 이러한 "탐지하기 어려운(hard-to-detect)" 영역에서 발생하는 작은 불연속성은 혈관 네트워크의 위상(topology)을 근본적으로 변화시킬 수 있음에도 불구하고, 고대비 혈관들이 계산을 지배하기 때문에 표준 점수에서는 그 영향이 희석됩니다. 기존의 지표들은 저감도(low-salience) 구조에 대한 알고리즘의 성능을 분리해내지 못하며, 이는 혈관의 연결성을 보존하는 데 있어 발생하는 체계적인 실패를 은폐합니다.

방법론
이러한 한계를 해결하기 위해, 저자들은 국소 혈관 감도(Local Vessel Salience, LVS) 지수와 그로부터 파생된 성능 지표인 **평균 저감도 재현율(mean Low-Salience Recall, mLSR)**을 중심으로 한 프레임워크를 제안합니다.

국소 혈관 감도 (LVS) 지수:
- LVS 지수는 특정 혈관 세그먼트를 식별하는 난이도를 국소 혈관 강도와 즉각적인 배경을 비교하여 정량화합니다.
- 계산에는 Pyvane 프레임워크를 사용하여 그래프 표현(분기점/종단점의 노드, 혈관 세그먼트로서의 엣지)으로 변환된 정답(ground-truth) 수동 주석 마스크가 사용됩니다.
- 중앙축 세그먼트(Medial Axis Segment, MAS) 상의 각 픽셀에 대해, 방법론은 혈관 양측의 가장 가까운 두 컨투어(contour) 점을 식별하여 단면을 정의합니다.
- 이 단면을 따라 혈관 픽셀( $S_v$ )을 샘플링하고, 컨투어 점으로부터 정의된 반경( $r_b$ ) 내의 배경 픽셀( $S_b$ )을 샘플링합니다.
- 감도는 평균 혈관 강도 벡터( $I_v$ )와 배경 강도 벡터( $I_b$ ) 사이의 상대적 강도 차이( $\Delta I$ )로 계산됩니다.
- 이 값들은 MAS를 따라 평활화(smoothing)되며, 모든 인접 혈관 픽셀로 전파되어 연속적인 LVS 맵을 생성합니다.
평균 저감도 재현율 (mLSR):
- LVS 맵을 사용하여 저자들은 "도전적인" 혈관 픽셀(LVS $\le t$ 인 픽셀)을 분리하기 위한 임계값 $t$ 를 정의합니다.
- 이러한 저감도 픽셀들에 대해 특정 재현율 지표인 LSRecall이 계산됩니다.
- 단일한 임계값 독립적 점수를 생성하기 위해, mLSR은 가장 어려운 영역에서의 오류에 동일한 가중치를 부여하여 패널티를 주는 방식으로 다양한 임계값 범위( $T$ )에 걸친 LSRecall 값들의 평균으로 계산됩니다.
감도 기반 데이터 증강 (Salience-Based Data Augmentation):
- 개념 증명으로서, 저자들은 훈련 과정 중 특정 혈관 세그먼트의 감도를 체계적으로 감소시키는 데이터 증강 기법을 제안합니다.
- 이는 혈관 강도를 국소 배경과 일치하도록 감쇠시키고 인위적인 불연속성을 도입하는 과정을 포함합니다. 목표는 신경망이 국소적인 질감 대비가 아닌 전역적인 연속성 단서에 의존하도록 강제하는 것입니다.

실험 설정
본 연구는 16가지의 분할 방법(UNet, UNet++, ResUNet, HRNet, FSGNet 변형 모델 포함)을 6개의 널리 사용되는 2D 데이터셋(DRIVE, STARE, CHASEDB1, VessMAP, DCA1, OCTA-500)을 통해 평가했습니다. 이 데이터셋들은 안저 촬영, 형광 현미경, 관상동맥 조영술, 그리고 OCTA를 포괄합니다. 실험에는 딥 슈퍼비전(deep supervision)과 광범위한 데이터 증강(CutMix, 뒤집기, 블러링)을 적용한 표준 훈련 프로토콜을 사용하여 모델의 수렴을 보장했습니다.

주요 결과

난이도와의 상관관계: 연구는 분할 성능과 LVS 지수 사이에 강한 상관관계가 있음을 입증했습니다. 알고리즘들은 일관되게 낮은 감도를 가진 혈관을 복구하는 데 실패했습니다.
성능 격차: 모든 평가된 방법의 mLSR 값은 표준 재현율보다 유의미하게 낮았습니다. 특히 저감도 혈관에 집중했을 때 일반적으로 20 퍼센티지 포인트의 성능 저하가 관찰되었습니다.
- DRIVE 및 OCTA-500과 같은 벤치마크 데이터셋에서 최고 성능을 보인 방법들의 경우, 표준 재현율이 매우 높았음에도(예: DRIVE의 경우 약 86%) mLSR 값은 약 58% 수준이었습니다.
- OCTA-500 데이터셋이 가장 어려웠으며, DRIVE가 그 뒤를 바짝 쫓았습니다.
지표의 괴리: 전역 재현율과 mLSR은 서로 상관관계가 있지만, 이미지 레벨에서는 크게 괴리됩니다(피어슨 상관계수 0.46). 전역 재현율이 높은(~90%) 이미지라도 mLSR 값은 30%까지 낮아질 수 있으며, 이는 표준 지표가 저대비 영역에서의 실패를 은폐하고 있음을 확인시켜 줍니다.
증강의 효능: 제안된 감도 증강은 전체 데이터셋(DRIVE 및 VessMAP)으로 훈련할 때는 유의미한 개선을 보이지 않았는데, 이는 기존 데이터에 이미 충분한 저감도 사례가 포함되어 있거나 데이터셋의 감도 분포가 균일했기 때문으로 보입니다. 그러나 학습 데이터가 극도로 적은 시나리오(예: 2~4개의 샘м플)에서는 증강이 성능을 크게 향서시켰습니다(예: 4개 샘플 사용 시 Dice 점수가 75.3%에서 82.5%로 증가). 이는 증강이 제한된 사례로부터 모델의 일반화 능력을 높이는 데 도움이 됨을 시사합니다.

의의 및 주장
본 논문은 개발된 방법론이 탐지하기 어려운 혈관에 대한 민감도가 향상된 분할 알고리즘을 설계하기 위한 정량적 기초를 제공한다고 주장합니다. LVS 지수와 mLSR을 도입함으로써 저자들은 다음을 수행할 수 있는 도구를 제공합니다:

전역 지표가 놓치는 혈관 연결성 보존의 체계적인 오류를 드러냅니다.
미래의 알고리즘 개발이 저대비 영역에서의 위상적 무결성 보존을 향하도록 유도합니다.
성능 격차가 아키텍처의 한계 때문인지, 아니면 수동 주석의 불일치(저감도 혈관은 인간이 주석을 달기에도 어렵기 때문) 때문인지를 식별합니다.

저자들은 현재의 최첨단 방법들이 고대비 구조에는 잘 작동하지만, 저감도 혈관을 복구하는 데 있어서는 일관된 결함을 보이고 있으며, 이는 신뢰할 수 있는 혈관 네트워크 분석을 위해 반드시 해결되어야 할 과제라고 결론지었습니다. 감도 증강 기법은 특히 데이터가 부족한 시나리오에서 유망한 방향으로 제시되었습니다.

유사한 논문