AnatomicalNets: A Multi-Structure Segmentation and Contour-Based Distance Estimation Pipeline for Clinically Grounded Lung Cancer T-Staging

1. 문제 정의 (Problem Statement)

폐암의 T 단계 (T-stage) 분류는 환자의 예후 판정과 치료 계획 수립에 있어 가장 중요하며, 국제 폐암 연구 협회 (IASLC) 의 가이드라인에 따라 명확한 해부학적 기준 (종양의 크기, 인접 구조물과의 거리, 침범 여부 등) 에 의해 결정됩니다.

• 기존 접근법의 한계: 대부분의 기존 딥러닝 기반 접근법은 T 단계 분류를 단순한 이미지 분류 문제로 간주하여, 종양과 주변 해부학적 구조물 간의 복잡한 공간적 관계나 정량적 기준을 명시적으로 고려하지 못했습니다.
• 해결 과제: CNN 기반의 분류 모델은 종양의 크기 (예: 6cm) 와 구조물 침범 (예: 종격동 침범 시 T4) 과 같은 미세한 임상적 차이를 구분하는 데 한계가 있으며, 결정 과정의 해석 가능성 (Interpretability) 이 부족합니다.

2. 제안된 방법론 (Methodology: AnatomicalNets)

저자들은 종양 분류를 단순한 학습 매핑이 아닌, 측정 및 규칙 기반 추론 (Measurement and Rule-based Inference) 문제로 재정의한 다단계 파이프라인인 AnatomicalNets를 제안했습니다.

A. 핵심 구성 요소

1. 다중 구조물 분할 (Multi-Structure Segmentation):

   • LungNet: 폐 실질 (Lung parenchyma) 분할. (DenseNet-121 인코더 + UNet 디코더)
   • MediNet: 종격동 (Mediastinum) 분할. (DenseNet-121 인코더 + UNet++ 디코더)
   • TumorNet: 폐 종양 정밀 분할. (ResNet-152 인코더 + FPN 디코더)
   • 데이터 전략: 모든 구조물에 대한 정답 마스크가 있는 단일 데이터셋이 부재하므로, 각 네트워크는 공개된 다양한 데이터셋 (COVID-19, MSD, SAROS 등) 에서 학습된 후, 주 데이터셋 (Lung-PET-CT-Dx) 에 적용하여 가상의 정답 마스크 (Surrogate Ground Truth) 를 생성합니다.

2. 종양 탐지 및 ROI 추출:

   • YOLOv11 기반 탐지 모델을 사용하여 CT 이미지 내 종양 영역을 국소화하고, 이를 TumorNet 의 입력으로 사용합니다.

3. 횡격막 (Diaphragm) 추정:

   • 별도의 분할 모델 없이, LungNet 에서 생성된 폐 마스크의 하단 경계 (하단 10% 영역) 를 기반으로 횡격막의 위치를 휴리스틱 (Heuristic) 으로 추정합니다.

4. 윤곽선 기반 거리 측정 (Contour-Based Distance Estimation):

   • 생성된 분할 마스크의 윤곽선을 추출하여 다음 정량적 지표를 계산합니다:
     • 종양의 최대 치수 (가장 긴 지름).
     • 종양과 폐벽, 종격동, 추정된 횡격막 사이의 거리.
   • 거리가 0 인 경우 해당 구조물의 침범으로 간주합니다.

5. 규칙 기반 T 단계 분류 (Deterministic Decision Module):

   • 추출된 정량적 지표 (크기, 거리, 침범 여부) 를 IASLC 가이드라인에 명시된 결정 트리 (Decision Tree) 에 입력하여 T1~T4 단계를 자동 분류합니다.

3. 주요 기여 (Key Contributions)

• AnatomicalNets 프레임워크 설계: 폐, 종격동, 종양을 각각 전문적으로 분할하는 3 개의 인코더 - 디코더 네트워크와 이를 통합하는 파이프라인을 구축했습니다.
• 교차 데이터셋 추론 전략 (Cross-dataset Inference): 정답 레이블이 없는 주 데이터셋에 대해, 다른 데이터셋으로 학습된 모델을 적용하여 해부학적 구조물의 분할 마스크를 생성하는 새로운 전략을 제시했습니다.
• 해석 가능한 임상적 파이프라인: 딥러닝의 '블랙박스' 특성을 극복하고, IASLC 가이드라인을 직접적으로 따르는 투명하고 재현 가능한 분류 체계를 확립했습니다.
• 윤곽선 기반 거리 측정 모듈: 종양의 크기와 인접 구조물 간의 거리를 정량화하여 임상적 판단 기준을 수치화했습니다.

4. 실험 결과 (Results)

Lung-PET-CT-Dx 데이터셋 (220 명 환자, 31,717 슬라이스) 을 사용하여 평가되었습니다.

• 분할 성능:
  • LungNet: Dice Similarity Coefficient (DSC) 97.82%, IoU 96.07%.
  • MediNet: DSC 93.39%, IoU 90.46%.
  • TumorNet: DSC 89.68%, IoU 83.43%.
• T 단계 분류 성능:
  • 전체 정확도 (Overall Accuracy): 91.36%
  • 단계별 F1 점수: T1 (0.93), T2 (0.89), T3 (0.96), T4 (0.90).
• 비교 분석:
  • 기존 CNN 기반 분류 모델 (ResNet152, DenseNet121, Swin Transformer 등) 은 평균 정확도 약 40% 수준에 그쳤으나, 제안된 AnatomicalNets 은 91.36% 로 압도적인 성능 차이를 보였습니다. 이는 특징 설계 (Feature Design) 의 중요성을 입증합니다.

5. 의의 및 한계 (Significance & Limitations)

• 의의:

  • 의료 영상 분석에서 딥러닝의 성능과 임상적 해석 가능성 사이의 간극을 해소했습니다.
  • 단순한 분류가 아닌, 의사가 사용하는 논리 (크기 측정, 침범 확인) 를 그대로 모방하여 신뢰할 수 있는 진단 보조 도구로 활용 가능합니다.
  • T 단계 분류에서 '해부학적 문맥 (Anatomical Context)'이 모델 성능에 결정적임을 입증했습니다.

• 한계 및 향후 과제:

  • T4 분류의 오분류: 다발성 종양 (다른 엽에 있는 별개의 결절) 이나 종격동, 대혈관, 기관 등 모델이 고려하지 않은 구조물의 침범이 있는 경우 T4 를 잘못 분류할 수 있음.
  • 횡격막 추정: 실제 분할 마스크가 없어 휴리스틱을 사용했으므로, 비정상 해부학 구조에서 오차가 발생할 수 있음.
  • 2D 제한: 현재는 2D 슬라이스 기반이므로 3D 부피 특성 반영이 부족함.
  • 향후 계획: 3D 분할 확장, 추가 해부학적 구조물 (기관, 식도 등) 분할, 림프절 및 전이 탐지 통합을 통한 완전한 TNM分期 시스템 구축.

결론

이 연구는 폐암 T 단계 분류를 위해 해부학적 구조물 분할과 규칙 기반 측정을 결합한 새로운 패러다임을 제시했습니다. 기존 딥러닝 모델이 놓치고 있던 임상적 정밀도와 해석 가능성을 확보하여, 실제 임상 현장에서의 적용 가능성을 크게 높인 의미 있는 연구입니다.