Patch2Loc: Learning to Localize Patches for Unsupervised Brain Lesion Detection

1. 문제 정의 (Problem)

뇌 영상 (MRI) 에서 종양, 뇌졸중, 다발성 경화증 등의 병변을 탐지하는 것은 진단과 치료에 필수적입니다. 그러나 기존 지도 학습 (Supervised Learning) 기반의 병변 분할 방법은 병변에 대한 정밀한 주석 (Annotation) 데이터가 부족하고, 희귀 질환이나 구조적으로 다양한 병변의 경우 데이터 확보가 어렵다는 한계가 있습니다. 또한, neuroradiologist(신경방사선 전문의) 부족으로 인해 비지도 학습 (Unsupervised Learning) 을 통한 이상 탐지 방법 개발이 시급한 과제입니다.

기존 비지도 학습 방법들 (오토인코더, GAN, 확산 모델 등) 은 주로 전체 이미지 (Global Context) 를 재구성하는 원리에 기반합니다. 그러나 이러한 접근법은 다음과 같은 문제점을 가집니다:

• 재구성 오류: 모델이 병변 영역을 정상 조직처럼 재구성하여 이상 신호를 놓칠 수 있음.
• 노이즈 역설 (Noise Paradox): 확산 모델 (DDPM) 의 경우, 이상 신호를 강화하면 정상 조직의 재구성이 저하되어 오탐지 (False Positive) 가 증가하는 딜레마가 존재함.
• 하이퍼파라미터 의존성: 추론 시 노이즈 양 등을 세밀하게 조정해야만 성능이 보장됨.

2. 방법론 (Methodology: Patch2Loc)

저자들은 전역 재구성이 아닌 국소적 구조 평가 (Local Structural Assessment) 에 초점을 맞춘 새로운 프레임워크인 Patch2Loc을 제안합니다.

핵심 아이디어

정상적인 뇌 해부학적 구조는 위치에 따라 고유한 패턴을 가집니다. Patch2Loc 은 전체 이미지를 재구성하는 대신, 정상 뇌의 특정 위치에서 잘린 작은 패치 (Patch) 가 어디에서 왔는지 (공간 좌표) 를 예측하는 작업을 학습합니다.

• 학습: 정상 MRI 스캔에서 무작위로 추출된 패치 $X$와 해당 패치의 2 차원 공간 좌표 $Y$, 슬라이스 인덱스 $A$를 입력받아, $P(Y|X, A)$를 조건부 확률 분포로 모델링합니다.
• 추론: 이상 (병변) 이 포함된 패치는 정상적인 해부학적 패턴을 따르지 않으므로, 모델이 위치를 예측할 때 오차 (Error) 가 크고 불확실성 (Uncertainty/Varience) 이 높아집니다.

모델 구조 및 손실 함수

1. 모델 아키텍처:
   • 인코더: ResNet-18 을 기반으로 하며, 패치 $X$를 특징 벡터로 인코딩합니다.
   • 위치 예측 헤드: 인코딩된 특징과 슬라이스 인덱스 $A$를 입력받아 2 차원 평균 좌표 $\mu$와 로그 분산 $\log(\Sigma)$를 예측합니다. (2D 가우시안 분포 가정)
   • 입력: $X$ (패치) 와 $A$ (슬라이스 인덱스).
2. 손실 함수 ($\beta$-NLL):
   • 평균과 분산을 동시에 추정할 때 발생하는 수렴 문제를 해결하기 위해 Seitzer et al. (2022) 의 $\beta$-NLL 손실 함수를 적용합니다.
   • 분산 추정이 평균 추정의 그래디언트에 미치는 영향을 조절하여 ($\beta=0.5$), 모델이 안정적인 학습을 하도록 합니다.
3. 이상 점수 (Abnormality Score):
   • 최종 이상 점수는 로그 변환된 예측 오차와 로그 변환된 분산 (불확실성) 의 합으로 계산됩니다.
   • 수식: $Score = \log(\|Y - \mu\|^2 + \epsilon) + \frac{1}{2}\sum \log(\Sigma_{ii})$
   • 모델이 "틀릴 것이라고 예상하고 (높은 분산) 실제로 틀린 경우 (높은 오차)"에 높은 점수를 부여합니다.

픽셀 단위 탐지

• 학습된 모델을 합성곱 (Convolutional) 방식으로 적용합니다. 오버랩되는 패치들을 슬라이딩 윈도우 방식으로 입력하고, 각 패치에 대한 이상 점수를 계산하여 전체 이미지에 대한 히트맵 (Heatmap) 을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 공간 인식 국소 특징 학습: 전체 이미지 재구성이 아닌, 패치와 공간 위치의 관계를 학습함으로써 국소적인 이상을 직접적으로 탐지합니다.
2. 불확실성 기반 이상 탐지: 예측 오차뿐만 아니라 모델의 예측 분산 (불확실성) 을 결합하여 이상 점수를 산출함으로써, 정답 레이블과의 상관관계를 높였습니다.
3. 최소화된 추론 하이퍼파라미터 의존성: DDPM 등 기존 방법과 달리 추론 시 노이즈 양 등을 조정할 필요가 없으며, 안정적인 구성으로 픽셀 단위 이상 히트맵을 생성합니다.
4. SOTA 성능 달성: 다양한 뇌 병변 데이터셋 (BraTS, MSLUB, ATLAS, WMH) 에서 기존 비지도 분할 방법들보다 우수한 성능을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: IXI (학습용), BraTS2021 (뇌종양, T2), MSLUB (다발성 경화증, T2), ATLAS (뇌졸중, T1), WMH (백질 고강도, T1) 를 사용했습니다.
• 성능 지표: 평균 정밀도 (AUPRC) 와 최적 Dice 계수 (Best Dice) 를 평가했습니다.
• 결과:
  • Patch2Loc 은 DDPM 기반의 최신 방법들 (pDDPM, cDDPM) 을 포함한 대부분의 기존 방법들을 능가하거나 동급의 성능을 보였습니다.
  • 특히 WMH (백질 고강도) 데이터셋에서 Dice 점수에서 큰 차이로 1 위를 기록했습니다.
  • 정성적 분석: 정상 조직에서는 낮은 오차와 낮은 분산을 보이며, 병변 영역에서는 높은 오차와 높은 분산이 관찰되어 이상 영역이 명확하게 히트맵에 표시되었습니다.
  • 상관관계 분석: 병변의 비율과 이상 점수 (오차 + 분산) 간의 스피어만 상관관계가 오차나 분산 단독보다 높게 나타나, 두 요소의 결합이 효과적임을 입증했습니다.

5. 의의 및 결론 (Significance)

Patch2Loc 은 뇌 영상 이상 탐지 분야에서 전역 재구성 (Global Reconstruction) 패러다임에서 국소 구조 학습 (Local Structural Learning) 패러다임으로의 전환을 제시합니다.

• 임상적 유용성: 주석이 없는 데이터로도 학습 가능하며, 추론 시 복잡한 하이퍼파라미터 튜닝이 필요 없어 임상 적용 가능성이 높습니다.
• 해석 가능성: 모델이 왜 병변을 이상으로 판단했는지 (위치 예측 실패 및 높은 불확실성) 를 직관적으로 이해할 수 있습니다.
• 미래 연구: 이 연구는 비지도 이상 분할을 위한 새로운 관점을 제시하며, 향후 뇌 영상 분석 및 의료 AI 개발의 기초를 마련했습니다.

요약하자면, Patch2Loc 은 "정상 뇌의 위치에 따른 구조적 패턴을 학습하여, 위치를 잘못 예측하거나 불확실성이 높은 패치를 병변으로 간주하는" 직관적이면서도 강력한 비지도 학습 프레임워크입니다.