기술 요약: 병리적 간 분할을 위한 SRMA-Mamba

문제 정의

간경변증은 진행성 간 섬유화의 최종 단계 양상으로서 전 세계적인 주요 보건 과제입니다. 자기공명영상(MRI)은 우수한 연조직 대조도 덕분에 비침습적 진단의 초석이 되었으나, 병리적 간 구조를 정확하게 묘사하는 것은 여전히 어렵습니다. 수동 분할은 노동 집약적이며 관찰자 간의 상당한 변동성을 수반합니다.

기존의 자동화된 방법들, 특히 딥러닝에 기반한 방식들은 이 영역에서 다음과 같은 구체적인 한계에 직면해 있습니다:

1. 공간적 문맥의 저활용: 많은 접근 방식이 볼륨형 MRI 데이터를 선형 시퀀스로 취급하며, 이는 본질적으로 3D 공간 토폴로지를 파괴합니다.
2. 비등방성 형태학: 경변 구조는 매우 불규칙하고 비등방적인 형태를 보입니다. 공간적 문맥을 무시하고 선형화하는 방식은 최적화되지 않은 경계 정의와 파편화된 분할 결과를 초래합니다.
3. 복잡한 해부학적 관계: 현재의 방법들은 서로 다른 해부학적 평면 간의 복잡한 공간적 관계를 완전히 포착하지 못하는 경우가 많으며, 이는 임상적 설명 가능성과 효과성을 저해합니다.

방법론

저자들은 상태 공간 모델(SSM)을 사용하여 MRI 볼륨 내의 복잡한 해부학적 구조 내 공간 관계를 모델링하도록 설계된 새로운 아키텍처인 SRMA-Mamba(Spatial Reverse Mamba Attention Network)를 제안합니다. 이 네트워크는 세 가지 핵심 혁신을 포함하는 인코더-디코더 구조를 따릅니다.

1. 전체 아키텍처

SRMA-Mamba는 계층적 인코더-디코더 프레임워크를 채택합니다. 인코더는 입력된 경변 MRI 볼륨으로부터 특징을 추출하며, 디코더는 분할 지도를 점진적으로 정교화합니다. 표준 디코더와 달리, 이 아키텍처는 인코딩 단계의 특징과 거친(coarse) 분할 지도의 특징을 모두 사용하여 가장자리 세부 사항을 점진적으로 정교화하기 위해 여러 단계에서 Spatial Reverse Mamba Attention (SRMA) 모듈을 통합합니다.

2. 공간 해부학 기반 Mamba (SABMamba)

영상의학 전문의가 여러 평면을 통해 MRI 볼륨을 검토하는 임상 관행에서 영감을 얻은 SABMamba 모듈은 시상면(sagittal), 관상면(coronal), 축상면(axial)의 세 가지 직교 평면으로부터 정보를 통합하여 복잡한 해부학적 관계를 모델링합니다.

• 구조: 이 모듈은 연속적인 잔차 브랜치(residual branches)로 구성됩니다. 한 브랜치는 해부학 기반 Mamba(ABM) 블록을 사용하고, 다른 브랜치는 다층 퍼셉트론(MLP)을 사용합니다.
• 해부학 기반 선택적 스캔 (ABSS): ABM 블록 내의 핵심 구성 요소인 ABSS 모듈은 병리적 간 조직에 대한 공간적 특징 표현을 학습합니다. 이는 다음과 같이 작동합니다:
  1. 재구성(Reshaping): 입력 볼륨을 세 가지 해부학적 평면($f_h, f_w, f_d$)으로 재배열합니다.
  2. 스캔 확장(Scan Expanding): 이 평면들로부터 데이터를 네 가지 뚜렷한 방향을 따라 시퀀스로 펼칩니다.
  3. 선택적 처리(Selective Processing): Mamba의 S6 모듈을 활용하여 이러한 시퀀스를 선택적으로 처리함으로써, 관련 없는 정보는 필터링하고 관련 특징은 보존합니다.
  4. 스캔 병합(Scan Merging): 처리된 시퀀스들을 원래 해상도로 다시 통합합니다.
     이 접근 방식은 3D 공간 토폴로지를 보존하면서도 낮은 계산 복잡도로 3D 볼륨 데이터를 직접 처리할 수 있게 합니다.

3. Spatial Reverse Mamba Attention (SRMA)

SRMA 모듈은 분할 지도의 경계 세부 사항을 점진적으로 정교화하도록 설계되었습니다.

• 메커니즘: 거친 분할 지도($S_{i+1}$)와 현재 인코딩 레벨의 특징 맵($f_i$)을 입력으로 받습니다.
• 역방향 주의(Reverse Attention): 거친 분할 지도는 Sigmoid 함수와 역연산을 통과하여 주의 가중치($A_i = 1 - \text{Sigmoid}(S_{i+1})$)를 생성합니다.
• 정교화(Refinement): 이 가중치들은 향상된 특징 맵에 원소별 곱셈(element-wise multiplication)을 통해 적용됩니다. 결과물은 SABMamba 모듈과 합성곱 계층을 통과하여 정교화된 출력을 생성합니다. 이 과정은 특징 응집과 경계 묘사를 강화합니다.

주요 기여

본 논문은 네 가지 주요 기여를 명시합니다:

1. SRMA-Mamba 네트워크: 3D 의료 영상에서의 선형 시퀀스 모델링의 한계를 해결하며, 효율적인 볼륨형 병리적 간 분할을 위한 새로운 네트워크를 제시합니다.
2. SABMamba 모듈: 여러 해부학적 관점(시상면, 관상면, 축상면)에 걸쳐 스캔을 수행하여 전역적 공간 문맥 표현을 구축하는 메커니즘입니다.
3. SRMA 모듈: 경계 정밀도를 높이기 위해 계층적 인코딩 특징과 거친 분할 지도를 활용하는 점진적 정교화 메커니즘입니다.
4. ABSS 모듈: 낮은 계산 복잡도로 3D 볼륨 데이터를 직접 처리할 수 있게 하여 공간 해부학적 정보를 보존하는 해부학 기반 선택적 스캔 모듈입니다.

실험 결과

저자들은 628개의 복부 MRI 스캔(T1 강조 영상 310개 및 T2 강조 영상 318개)을 포함하는 CirMRI600+ 데이터셋에서 SRMA-Mamba를 평가했습니다. 모델은 SegResNet, UX-Net, MedNeXt와 같은 CNN 및 SwinUNETR, SwinUNETRv2와 같은 Transformer, 그리고 SegMamba와 같은 Mamba 기반 모델들을 포함한 최첨단 방법들과 비교되었습니다.

정량적 성능

• T1W 데이터셋: SRMA-Mamba는 92.95% mDSC와 87.59% mIoU를 달성하여, 이전 최고 모델인 SegMamba를 각각 1.15%와 1.89% 차이로 앞질렀습니다. 또한 HD95 17.52, ASSD 3.05를 기록하며 우수한 경계 정확도를 입증했습니다.
• T2W 데이터셋: 모델은 86.25% mDSC와 78.24% mIoU를 달성하였으며, 이 역시 SegMamba를 능가했습니다.
• 계산 효율성: 높은 성능에도 불구하고, SRMA-Mamba는 SegMamba(파라미터 64.24M, 2379.03 GFLOPs)와 비교했을 때 17.22M 파라미터와 149.14 GFLOPs라는 현저히 낮은 계산 복잡도를 보여주었습니다.

정성적 및 어블레이션 분석

• 정성적 결과: 시각적 비교 결과, SRMA-Mamba는 다른 방법들에 비해 크고 작은 병리적 영역을 모두 묘사하고 복잡한 경계 세부 사항을 처리하는 데 있어 우수한 능력을 보여주었습니다.
• 어블레이션 연구(Ablation Study): SABMamba를 제거했을 때 mDSC가 92.95%에서 80.62%로 감소하여 공간 해부학 모델링의 역할을 확인했습니다. SRMA를 제거했을 때 mDSC가 90.63%로 감소하여 경계 정교화에 대한 기여를 검증했습니다.
• 평면 구성: 실험 결과, 세 가지 해부학적 평면(축상면, 시상면, 관상면)을 모두 사용하는 것이 단일 평면 구성보다 일관되게 우수한 성능을 보였으며, 이는 다중 평면 표현 학습 방식의 유효성을 입증합니다.

의의 및 주장

본 논문은 SRMA-Mamba가 선형화로 인한 파편화 없이 병리적 간 구조의 3D 공간 토폴로지를 효과적으로 모델링함으로써 기존 방법들의 결정적인 격차를 해소한다고 주장합니다. 해부학적 평면 정보를 통합하고 역방향 주의 메커니즘을 채택함으로써, 네트워크는 3D 병리적 간 분할에서 최첨단 성능을 달 achieves 합니다. 저자들은 이 접근 방식이 분할 정확도를 개선할 뿐만 아니라, 예후 및 중재 전략에 필요한 복잡한 해부학적 세부 사항을 더 잘 보존함으로써 임상적 설명 가능성을 높인다고 단언합니다. 이 연구는 상태 공간 모델과 해부학적 사전 지식의 결합이 볼륨형 의료 영상 분석을 위한 유망한 방향임을 시사합니다.