Reliable Brain Tumor Segmentation Based on Spiking Neural Networks with Efficient Training

기술 요약: 효율적인 학습을 통한 신뢰할 수 있는 스파이킹 신경망 기반 뇌종양 분할

문제 정의
정확하고 신뢰할 수 있는 뇌종양 분할은 임상 진단 및 치료 계획 수립에 있어 매우 중요하다. 심층 신경망(DNN)은 3D 뇌종양 분할에서 높은 성능을 달-성해 왔으나, 상당한 계산 및 에너지 요구량으로 인해 엄격한 전력 제한 하에서 작동하는 의료 사물인터넷(IoT) 및 현장 진단(PoC) 시스템에 배치하는 데 한계가 있다. 또한, 임상적 통합을 위해서는 모델이 종양을 정밀하게 묘사할 뿐만 아니라, 안전성과 해석 가능성을 보장하기 위해 예측 확신도(불확실성)를 정량화할 수 있어야 한다. 기존의 불확실성 추정용 스파이킹 신경망(SNN) 접근 방식은 정적인 입력을 여러 타임 스텝에 걸쳐 반복하는 방식에 의존하는데, 이는 3D 의료 영상 분할에 필요한 순차적, 슬라이스 단위 입력 환경과는 호환되지 않는다. 또한, 표준적인 시간 역전파(BPTT)를 사용하여 이러한 복잡한 작업을 위한 SNN을 학습시키는 것은 과도한 계산 및 메모리 비용을 발생시킨다.

방법론
저자들은 3D 뇌종양 분할에 적합하도록 조정된 에너지 효율적인 SNN 아키텍처인 Spiking U-Seg-Net을 중심으로 한 프레임워크를 제안한다.

• 네트워크 아키텍처: 이 모델은 U-Net 인코더-디코더 구조를 따르되, 파라미터 수를 줄이기 위해 각 블록당 단일 컨볼루션을 사용한다. 이 모델은 특정 해부학적 뷰의 2D 슬라이스를 시간 단계에 따른 순차적 입력으로 처리함으로써 3D MRI 볼륨(T1, T2, T1-Gd, FLAIR)을 처리한다. 네트워크는 학습 가능한 막 전위 시상수를 가진 매개변수형 리키 인테그레이트 앤 파이어(PLIF) 뉴런과 그래디언트 기반 학습을 가능하게 하는 서로게이트 그래디언트 함수($\sigma(x) = \frac{1}{\pi} \arctan(\pi x) + \frac{1}{2}$)를 채택한다. 출력은 증강 종양(ET), 종양 핵(TC), 전체 종양(WT)에 해당하는 세 가지 특징 맵을 생성한다.
• 효율적 학습 (FPTT): BPTT의 메모리 및 계산 병목 현상을 해결하기 위해, 저자들은 **순전파 시간 역전파(FPTT)**를 사용한다. 이 알고리즘은 과거 가중치의 이동 평균을 기반으로 한 정규화 항을 포함하는 즉각적인 리스크 함수를 사용하여 각 타임 스텝에서 네트워크 파라미터를 업데이트한다. 이 방식은 모든 과거 상태를 명시적으로 역추적하는 과정을 피함으로써, 계산 비용을 줄이면서도 시간적으로 동적인 SNN의 확장 가능한 최적화를 가능하게 한다.
• 다중 뷰 앙상블: 견고성과 불확실성 추정을 강화하기 위해, 저자들은 다중 뷰 앙상블 전략을 제안한다. 각각 다른 해부학적 평면(시상면, 관상면, 축상면)에서 슬라이스를 처리하는 세 개의 독립적인 Spiking U-Seg-Net 모델을 학습시킨다. 추론 과정에서 이 세 모델의 확률 맵은 공간적으로 정렬되어 복셀 단위로 평균화된다. 이 앙상별 방식은 뷰 간의 상호 보완적인 정보를 활용하여 잘 보정된 불확실성 추정치를 제공하며, 단일 뷰 SNN 모델의 한계를 해결한다.
• 손실 함수: 학습에는 클래스 불균형을 처리하고 작은 종양 영역에 대한 민감도를 높이기 위해 이진 교차 엔트로피($L_{BCE}$)와 다이스 손실($L_{Dice}$)을 결합한 하이브리드 손실을 사용한다.

주요 기여

1. 에너지 효율적 아키텍처: 뇌종양 분할을 위해 특별히 설계된, FPTT로 학습된 SNN 기반 UNet인 Spiking U-Seg-Net의 도입.
2. 견고한 불확실성 추정: 시상면, 관상면, 축상면 뷰로부터 예측을 집계하여 단일 뷰 방식에 비해 모델 신뢰성과 불확실성 보정 능력을 크게 향상시킨 다중 뷰 앙상블 메커니즘.
3. 포괄적인 평가: 제안된 방법이 경쟁력 있는 정확도를 달성하는 동시에 계산 부하를 획기적으로 줄인다는 것을 BraTS 2017 및 BraTS 2023 데이터셋을 통해 엄격하게 검증함.

실험 결과
본 프레임워크는 5-겹 교차 검증을 사용하여 BraTS 2017(210명 대상) 및 BraTS 2023(1,251명 대상) 데이터셋에 대해 평가되었다.

• 분할 정확도: 앙상블 Spiking U-Seg-Net은 경쟁력 있는 다이스 비율(Dice ratios)을 달성했다. BraTS 2017에서 이는 DNN 베이스라인(U-Seg-Net 및 U-Seg-Net+CLSTM)의 성능에 근접했다. BraTS 2023에서는 베이스라인 대비 전체 종양(WT) 영역 분할에서 우수한 성능을 보였다.
• 불확실성 보정: 다중 뷰 앙상블은 불확실성 추정을 유의미하게 개선했다. BraTS 2017에서 앙상블은 최적의 단일 뷰 모델에 비해 음의 로그 가능도(NLL)를 약 43.8% 감소시켰다. BraTS 2023에서는 이 개선 폭이 48.3%에 달했으며, 이는 앙상블이 더 신뢰할 수 있고 잘 보정된 예측 확률을 제공함을 나타낸다.
• 계산 효율성: 희소(sparse) SNN 계산의 사용 결과, 단일 샘플 처리 시 DNN 베이스라인과 비교하여 FLOPs(부동 소수점 연산량)가 87% 감소하였으며, 이는 저전력 배포의 잠재력을 강조한다.

의의 및 주장
본 논문은 제안된 프레임워크가 신뢰할 수 있는 저전력 의료 IoT 및 현장 진단 시스템을 위한 스파이킹 신경망의 잠재력을 입증한다고 주장한다. 효율적인 학습을 위한 FPTT와 견고한 불확실성 추정을 위한 다중 뷰 앙상블을 통합함으로써, 저자들은 SNN이 전통적인 DNN의 높은 에너지 비용 없이도 정확한 3D 뇌종양 분할을 수행할 수 있음을 보여준다. 이 연구는 SNN을 임상 수준의 신뢰성을 유지하면서 엄격한 자원 제약 하에서 작동할 수 있는 불확실성 인지 의료 영상의 실행 가능한 토대로 자리매김한다.