Multivariate Planar Curves: A Statistical Framework for Shape Analysis in Images

당신이 마치 사건의 실마리를 찾는 탐정이라고 상상해 보세요. 하지만 지문이나 발자국을 찾는 대신, 사물의 윤곽선을 쫓고 있습니다. 컴퓨터 비전과 통계학의 세계에는 **형태 분석(shape analysis)**이라는 분야가 있습니다. 이것은 사물을 색상이나 질감이 아니라, 그 '뼈대'나 '윤곽'—즉, 가장자리를 따라 그려지는 선—으로 묘사하는 예술입니다. 실루엣만 보고도 어떤 사람이 키가 크고 마른지, 혹은 작고 통통한지를 알 수 있듯이, 이러한 윤곽선은 많은 정보를 담고 있습니다.

보통 통계학자들은 사과 하나를 연구하듯 한 번에 하나의 윤곽선만을 살펴보곤 했습니다. 하지만 현실 세계에서 사물은 결코 홀로 존재하지 않습니다. 심장은 두 폐 사이에 놓여 있고, 자동차에는 차체에 부착된 바퀴가 있습니다. 당신이 지금 읽게 될 논문은 까다로운 질문을 다룹니다: 여러 개의 사물을 각각의 낯선 존재로 세워두는 것이 아니라, 하나의 팀으로서 함께 연구하려면 어떻게 해야 할까? 저자들은 만약 사물을 개별적으로 본다면, 가장 중요한 단서들, 즉 한 물체가 다른 물체에 비해 얼마나 큰지, 서로 어떻게 위치해 있는지, 그리고 어떻게 배치되어 있는지를 놓치게 된다고 주장합니다. 이는 의학 분야에서 장기 사이의 관계가 질병을 진단하는 핵심이 될 수 있기 때문에 매우 중요합니다.

---

형태를 바꾸는 팀의 이야기

당신에게 심장, 왼쪽 폐, 오른쪽 폐라는 세 명의 친구가 있다고 상상해 보세요. 완벽한 세상이라면 그들은 항상 정확히 같은 위치에 서서, 같은 방향을 향하고, 같은 방식으로 손을 잡고 있을 것입니다. 하지만 현실 세계는 엉망이 되기 일쑤입니다. 때로는 사진이 약간 다른 각도에서 찍히기도 하고(회전), 때로는 카메라가 줌인 또는 줌아웃되기도 하며(스케일링), 때로는 친구들의 위치가 약간씩 어긋나기도 합니다(이동). 설상가상으로, 만약 당신이 펜으로 그들의 윤곽을 따라 그린다면, 심장에서 그리기를 시작했을 수도 있지만 폐는 아래쪽에서부터 그리기 시작할 수도 있습니다. 이것을 "재매개변수화(reparametrization)" 문제라고 합니다. 이는 마치 노래의 시작을 도입부가 아닌 후렴구부터 시작하는 것과 같습니다.

이 논문의 저자인 이삼-알리 모인지에(Issam-Ali Moindjié), 세드릭 보를라크(Cédric Beaulac), 마리-엘렌 데스카리(Marie-Hélène Descary)는 기존의 방법들이 이 친구들을 마치 남남처럼 취급했다는 점을 깨달았습니다. 기존 방식은 심장의 모양을 분석하고, 그다음 왼쪽 폐의 모양을 분석하고, 그다음 오른쪽 폐의 모양을 분석하며, 그들이 어떻게 함께 서 있는지는 완전히 무시했습니다. 저자들은 이렇게 말합니다. "잠깐만요! 그들 사이의 '관계'가 바로 핵심 비법입니다."

이를 해결하기 위해 그들은 **다변량 평면 곡선(Multivariate Planar Curves)**이라는 새로운 통계적 프레임워크를 발명했습니다. 이것은 세 명의 친구를 하나의 분리할 수 없는 단위로 묶어주는 마법의 배낭과 같습니다. 이제 컴퓨터는 세 개의 별개 윤곽선을 보는 대신, 세 부분으로 이루어진 하나의 거대하고 복잡한 형상을 보게 됩니다. 이를 통해 컴퓨터는 만약 심장이 커진다면 폐를 압박할 수도 있다는 것을 이해할 수 있으며, 그 특정한 '압박'이 주목할 만한 패턴임을 알아챌 수 있습니다.

"정렬"의 마법

컴퓨터가 이 '형태 팀'을 비교하기 전에, 먼저 그들이 동일한 자세를 취하도록 만들어야 합니다. 이것이 바로 "정렬(alignment)" 문제입니다. 댄스 크루의 사진을 가지고 있다고 상상해 보세요. 한 사람은 물구나ली 서기를 하고 있고 다른 사람은 머리로 서 있다면, 그들이 같은 춤 동작을 하고 있는지 알 수 없습니다. 당신은 그들을 회전시키고 이동시켜서 모두가 똑바로 서서 같은 방향을 향하게 만들어야 합니다.

이 논문은 **반복 최근 함수(Iterative Closest Function, ICF)**라는 영리한 알고리즘을 소개합니다. 이것은 컴퓨터가 벌이는 "뜨겁다 차갑다(hot and cold)" 게임과 같습니다. 컴퓨터는 모양들을 '템플릿'(그룹의 완벽한 평균 버전)에 맞추기 위해 얼마나 회전시키고 이동시켜야 하는지 추측합니다. 그리고 점수를 확인하고, 추측을 수정하고, 이 과정을 수천 번 반복하여 모양들이 완벽하게 제자리에 딱 들어맞을 때까지 수행합니다. 저자들은 무작위 회전과 이동으로 형태를 일부러 망가뜨린 가짜 데이터셋을 통해 이를 테스트했습니다. 결과는 어땠을까요? 그들의 방법은 매우 정확했으며, 노이즈가 상당히 높았음에도 불구하고 원래의 형태를 완벽하게 복원해 냈습니다. 마치 흐릿하게 회전하는 사진을 보고도 원래의 댄스 루틴을 완벽하게 재구성해 내는 것과 같았습니다.

결정적인 테스트: 커진 심장 찾아내기

진정한 테스트는 이 방법을 의학적 문제인 심비대증(cardiomegaly), 즉 심장이 비정상적으로 커진 상태에 적용했을 때 찾아왔습니다. 그들은 폐와 심장이 이미 추출(세그멘테이션)된 흉부 X-ray 데이터셋을 사용했습니다. 목표는 컴퓨터에게 건강한 사람과 심장이 큰 사람을 구별하도록 가르치는 것이었습니다.

그들은 세 가지 전략을 두고 경주를 설정했습니다:

1. 순진한 접근법 (CLA): 회전이나 시작점을 수정하지 않고 가공되지 않은 혼란스러운 윤곽선을 그대로 컴퓨터에 입력합니다.
2. 단독 접근법 (UNI): 각 장기의 회전은 개별적으로 수정하지만, 세 장기를 독립적인 타인처럼 취급합니다.
3. 팀 접근법 (OUR): 새로운 "다변량 평면 곡선" 방법을 사용하여 그룹 전체의 회전을 한 번에 수정하고, 이들을 하나의 단위로 취급합니다.

결과는 극적이었습니다. 데이터가 이미 완벽하게 정렬되어 있을 때는 세 방법 모두 괜찮은 성적을 냈습니다. 하지만 저자들이 실제 세계의 지저난 X-ray를 시뮬레이션하기 위해 데이터를 의도적으로 망가뜨렸을 때, 순진한 접근법은 무너졌으며 무작위 추측(약 53~57%의 정확도)보다 나을 것이 없었습니다. 이 방식은 회전과 이동 때문에 완전히 혼란에 빠졌습니다.

단독 접근법은 더 나은 성적을 보였지만, 여전히 전체적인 그림을 놓쳤습니다. 그러나 **팀 접근법 (OUR)**은 흔들림 없이 견고했습니다. 데이터가 지저분할 때도 높은 정확도(약 80~86%)를 유지했습니다. 왜일까요? 심장과 폐를 '함께' 봄으로써, 컴퓨터는 상대적인 크기와 위치를 볼 수 있었기 때문입니다. 컴퓨터는 단순히 "큰 심장"을 본 것이 아니라, "폐에 대비하여 큰 심장"을 본 것이며, 이것이 바로 해당 질환의 실제 정의이기 때문입니다.

이것이 의미하는 바

이 논문은 이미지 안에 여러 개의 물체가 있을 때, 그것들을 하나씩 따로 분석해서는 안 된다는 것을 증명합니다. 이들을 하나의 통계적 객체로 묶음으로써, 그들이 서로 어떻게 관계 맺고 있는지에 숨겨진 단서인 "구성 요소 간 정보(inter-component information)"를 보존할 수 있습니다.

저자들은 이 방법이 윤곽선이 이미 그려져 있어야(세그멘테이션 되어 있어야) 가능하다는 점을 주의 깊게 언급합니다. 만약 컴퓨터가 애초에 장기의 가장자리를 찾지 못한다면 이 방법은 작동할 수 없습니다. 또한 그들은 형태가 강력한 도구이긴 하지만, 색상과 같은 다른 단서들을 놓칠 수도 있다고 제안합니다. 하지만 현재로서는, 여러 형태의 그룹을 하나의 조율된 팀으로 다루는 것이 개별적인 군중으로 다루는 것보다 이미지를 분석하는 훨씬 더 똑똑한 방법임을 보여주었습니다. 이는 때때로 전체가 부분의 합보다 크다는 사실을 다시 한번 일깨워 줍니다.