ITKIT: Feasible CT Image Analysis based on SimpleITK and MMEngine

논문 요약: ITKIT (SimpleITK 및 MMEngine 기반의 실현 가능한 CT 이미지 분석)

1. 문제 정의 (Problem)

• 의료 영상 분석의 복잡성: CT 이미지 분할 (Segmentation) 은 임상 진단, 치료 계획 등에 필수적이지만, 데이터의 복잡성과 처리 파이프라인의 취약성으로 인해 모델링이 어렵습니다.
• 전통적 방법의 한계: 딥러닝 이전의 전통적 방법 (임계값, 영역 성장 등) 은 노이즈와 아티팩트에 민감하며, 대규모 데이터에서 자동 학습이 어려워 일반화 능력이 부족했습니다.
• 기존 도구들의 한계:
  • MONAI, TorchIO 등: 강력한 기능과 생태계를 갖췄으나, CLI(명령어 인터페이스) 지원이 부족하거나 별도의 서브 저장소가 필요하여 초보자에게 진입 장벽이 높습니다.
  • ITK/SimpleITK: 저수준 데이터 처리에 강점이 있으나, 딥러닝 파이프라인 통합이 복잡합니다.
  • nnUNet 등: 특정 작업에 최적화되어 있으나, 유연성이나 CLI 중심의 직관적인 워크플로우 측면에서 개선의 여지가 있습니다.
• 핵심 요구사항: 연구자와 임상가가 쉽게 사용할 수 있으면서도, 데이터 전처리부터 모델 학습, 추론까지 일관된 표준화된 파이프라인을 제공하는 도구가 필요합니다.

2. 방법론 (Methodology)

ITKIT 은 SimpleITK와 **MMEngine(OneDL-MMEngine)**을 기반으로 구축된 오픈소스 프레임워크로, 다음과 같은 아키텍처와 기능을 제공합니다.

• 표준화된 데이터 모델 (Data Model):
  • 이미지와 라벨이 엄격하게 매칭된 계층적 디렉토리 구조를 강제합니다.
  • meta.json 을 통해 볼륨 크기, 보간 간격 (voxel spacing), 방향성 (LPI 기준) 등 메타데이터를 전역적으로 관리하여 I/O 오버헤드를 줄이고 데이터 필터링을 용이하게 합니다.
  • MONAI 및 TorchIO 와 호환되는 변환 기능을 내장하여 다양한 프레임워크 간 이동을 지원합니다.
• CLI 중심의 처리 도구 체인 (Processing Toolchain):
  • 코딩 없이 명령어로 실행 가능한 다양한 기본 기능을 제공합니다: 메타데이터 검사, 방향 조정, 리샘플링 (Resampling), 패치 분할 (Patch splitting), 데이터 증강, 부분 라벨 추출, 구조 변환 등.
  • 데이터 변경 시 자동으로 메타데이터를 업데이트하여 일관성을 유지합니다.
• 딥러닝 파이프라인 (OneDL-MMEngine 기반):
  • 학습 프레임워크: OneDL-MMEngine 을 활용하여 재현성 높은 구성 기반 (Configuration-driven) 학습을 지원합니다.
  • 지원 모델: CNN (UNet, MedNeXt), Transformer (SegFormer, UNETR), Mamba (Swin-UMamba, SegMamba) 등 최신 아키텍처를 통합하여 제공합니다.
  • 추론 (Inference): MMEngine 백엔드와 ONNX 포맷을 지원하며, 3D Slicer 확장 프로그램을 통해 실시간 추론 및 시각화를 가능하게 합니다. 이 확장은 프론트엔드 (QT) 와 백엔드 (Flask/Docker) 를 분리하여 무거운 의존성 (PyTorch, CUDA) 을 로컬 설치 없이도 실행할 수 있게 합니다.

3. 주요 기여 (Key Contributions)

1. 접근성 및 사용성 극대화: 복잡한 코딩 없이 CLI 만으로 DICOM 에서 3D 분할 추론까지의 전체 파이프라인을 완성할 수 있도록 설계되었습니다. 초보자와 임상가도 쉽게 접근 가능합니다.
2. 유연성과 재현성: OneDL-MMEngine 을 기반으로 하여 모델 구성과 배포가 유연하며, 데이터 전처리부터 학습까지의 워크플로우가 강력하게 재현 가능합니다.
3. 광범위한 호환성:
   • 데이터셋: AbdomenCT-1K, FLARE 2022/2023, KiTS23, LiTS 등 12 가지 주요 공개 CT 데이터셋을 즉시 지원합니다.
   • 생태계 통합: MONAI, TorchIO, 3D Slicer 와 호환되며, 기존 프로젝트들과의 연동을 고려하여 설계되었습니다.
4. 실시간 시각화 도구: 3D Slicer 확장 기능을 통해 학습된 모델을 실시간으로 추론하고 결과를 시각화할 수 있는 환경을 제공합니다.

4. 실험 결과 (Results)

• 실험 설정: AbdomenCT1K 데이터셋을 사용하여 Native(내장), TorchIO, MONAI 세 가지 데이터 로딩 백엔드와 MedNeXt(CNN 기반), SegFormer3D(Transformer 기반) 두 가지 모델을 조합한 총 12 가지 실험을 수행했습니다.
• 성능 지표: Dice, IoU, Recall, Precision, 처리 시간 (Duration) 을 측정했습니다.
  • 성능: 모든 백엔드에서 높은 분할 정확도를 보였습니다. 특히 TorchIO 백엔드와 SegFormer3D 모델 조합에서 Dice 94.08, IoU 89.50의 최고 성능을 기록했습니다.
  • 효율성: 처리 시간은 모델과 백엔드에 따라 차이가 있었으나, ITKIT 파이프라인이 안정적으로 작동함을 입증했습니다.
• 시각화: TensorBoard 및 로컬 파일을 통해 학습 과정 (이미지, Ground Truth, Loss, 메트릭 등) 을 실시간으로 모니터링할 수 있는 Visualizer 가 효과적으로 작동했습니다.

5. 의의 및 결론 (Significance)

• 데이터 중심 연구의 표준화: 의료 영상 분석에서 모델 아키텍처의 발전보다 데이터 전처리와 파이프라인의 표준화가 성능의 상한선을 결정한다는 인식을 반영하여, 데이터 중심 엔지니어링을 용이하게 합니다.
• 진입 장벽 해소: 복잡한 코딩 지식이 부족한 연구자나 임상 전문가도 CLI 를 통해 최신 SOTA(SOTA) 모델과 데이터셋을 즉시 활용할 수 있게 하여, 의료 AI 연구의 민주화를 촉진합니다.
• 지속 가능한 생태계: 단순한 실험 스크립트를 넘어 유지보수 가능하고 공유 가능한 인프라를 제공함으로써, 다기관 협력 및 장기적인 모델 반복 개발을 지원합니다.

결론적으로, ITKIT 은 의료 영상 분석의 복잡성을 단순화하면서도 최신 딥러닝 기술의 유연성을 유지하는 "가장 실현 가능한 (Feasible)" 솔루션을 제시하며, 데이터 전처리부터 임상 배포 (3D Slicer 연동) 까지의 통합 워크플로우를 제공합니다.