CS-MUNet: A Channel-Spatial Dual-Stream Mamba Network for Multi-Organ Segmentation

1. 연구 배경 및 문제 제기 (Problem)

의료 영상, 특히 복부 공막 장기 (hollow organs, 예: 위장관, 방광 등) 의 분할은 형태 변이가 크고 경계가 불명확하며 CT/MRI 에서 연조직 대비도가 낮아 매우 어려운 과제입니다. 최근 Mamba 기반의 방법론 (선형 복잡도 $O(n)$을 가진 상태 공간 모델) 이 의료 영상 분할에 도입되었으나, 다음과 같은 세 가지 주요 한계가 존재합니다.

1. 채널 간 의미론적 협력 (Cross-channel Semantic Collaboration) 부재: 기존 방법들은 채널을 독립적인 병렬 구성 요소로 취급하여, 조직의 질감, 모양, 밀도 등 해부학적으로 연관된 채널 간의 의존성을 무시합니다.
2. 경계 인식 (Boundary Awareness) 과 SSM 스캐닝의 분리: 기존 경계 인식 모듈들은 SSM(상태 공간 모델) 의 핵심 파라미터 조절에 직접 관여하지 못하거나, 사후 처리 (post-processing) 로만 적용되어 경계 정보의 본질적인 통합이 부족합니다.
3. 공막 장기 특화 최적화 부족: 기존 Mamba 방법들은 주로 고형 장기 (solid organs) 에 검증되었으며, 얇은 벽과 약한 경계를 가진 공막 장기의 특수한 도전 과제를 해결하지 못합니다.

2. 제안 방법론: CS-MUNet (Methodology)

저자들은 채널 (Channel) 과 공간 (Spatial) 차원을 직교하는 두 개의 스트림으로 모델링하는 CS-MUNet을 제안합니다. 이는 U-Net 아키텍처를 기반으로 하며, 두 가지 핵심 모듈을 도입합니다.

A. 전체 아키텍처

• Backbone: Res2Net-50 을 사용합니다.
• CMSA (Channel Mamba State Aggregation): 인코더 병목 (bottleneck) 단계에 배치되어 채널 간의 의미론적 협력을 모델링합니다.
• BASM (Boundary-Aware State Mamba): 디코더의 스킵 연결 (skip connection) 단계에 배치되어 공간적 경계 인식을 강화합니다.

B. 핵심 모듈 1: BASM (Boundary-Aware State Mamba Module)

• 목적: 경계 정보를 SSM 의 상태 전이 메커니즘 내부에 직접 주입하여, 경계 인식 능력을 수동적 후처리가 아닌 능동적 스캔 가이드 신호로 변환합니다.
• 작동 원리:
  1. 베이지안 경계 사후 확률 생성: 거리 필드 (distance field) 와 특징 맵을 기반으로 픽셀 수준의 경계 사후 확률 지도 ($P_b$) 를 생성합니다.
  2. 파라미터 변조: 생성된 $P_b$를 Mamba 의 핵심 파라미터인 $\Delta$(망각률) 와 $B$(쓰기 가중치) 에 직접 주입합니다.
     • 경계 영역에서는 역사적 상태의 감쇠를 늦추고 ($R$), 현재 입력의 가중치를 증폭 ($E$) 하여 경계 정보를 강력하게 유지합니다.
  3. 이중 분기 구조:
     • Mamba 분기: 경계 사후 확률에 기반한 파라미터 변조 수행.
     • SASF (Spatial Adaptive Structure-aware Feature) 분기: 다중 스케일 깊이별 합성곱 (DWConv) 을 통해 국소 기하학적 구조를 보상.
     • 두 분기는 SE-style 가중치 할당을 통해 융합됩니다.

C. 핵심 모듈 2: CMSA (Channel Mamba State Aggregation Module)

• 목적: 채널 차원을 SSM 의 시퀀스 차원으로 재정의하여, 채널 간의 해부학적 의미론적 협력을 데이터 주도적으로 모델링합니다.
• 작동 원리:
  1. 채널 직렬화: 모든 채널을 하나의 시퀀스로 취급하되, 의미론적으로 일관된 채널 그룹 (Group) 으로 나눕니다.
  2. 유계 상태 전이 제약 (Bounded State Transition Constraint): 이질적인 채널 간의 상태 전파가 무한히 누적되는 것을 방지하기 위해 상태 전이 행렬 ($\bar{A}_k$) 과 누적 감쇠 항에 **Lipschitz 제약 (Clipping)**을 적용합니다.
  3. 이를 통해 이종 채널 간의 상태 오염을 방지하면서도 채널 간 의존성을 효과적으로 학습합니다.

3. 주요 기여 (Key Contributions)

1. BASM 모듈 도입: 베이지안 어텐션 프레임워크를 통해 생성된 경계 사후 확률 지도를 Mamba 의 핵심 파라미터 ($\Delta, B$) 에 직접 주입하여, 경계 인식을 상태 공간 모델의 구조적 핵심으로 통합했습니다.
2. CMSA 모듈 도입: 채널 차원을 시퀀스 차원으로 재정의하고 유계 상태 전이 제약을 통해, 기존 방법들이 간과했던 '채널 간 해부학적 의미론적 협력'을 명시적으로 모델링했습니다.
3. 성능 입증: 두 가지 공개 벤치마크 (UW-Madison GI Tract, WORD) 에서 SOTA(State-of-the-Art) 방법들을 압도하는 성능을 달성했으며, Transformer 기반 모델보다 적은 파라미터로 높은 효율성을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: UW-Madison GI Tract (MRI, 3 가지 장기), WORD (CT, 16 가지 장기).
• 성능 지표 (mDice):
  • UW-Madison: 86.16% (기존 최강 베이스라인 대비 +2.91% 향상).
  • WORD: 94.47% (기존 최강 베이스라인 대비 +1.03% 향상).
• 비교: U-Net, TransUNet, Swin-UNet, nnU-Net 등 9 가지 주요 방법론을 압도했습니다. 특히 공막 장기 (소장, 대장 등) 의 경계 분할 정확도가 현저히 개선되었습니다.
• 효율성: 파라미터 수는 52.2M, FLOPs 는 38.8G 로, TransUNet 등 Transformer 기반 모델보다 계산 비용이 낮으면서도 더 높은 정확도를 기록했습니다.
• Ablation Study: BASM 과 CMSA 를 각각 적용했을 때 성능이 향상되었으며, 특히 $\Delta/B$ 변조와 SE-style 가중치 할당이 제거될 경우 성능이 크게 저하됨을 확인하여 각 모듈의 필수성을 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 Mamba 기반 의료 영상 분할의 구조적 한계 (채널 간 협력 부재, 경계 인식의 표면적 적용) 를 해결하는 새로운 패러다임을 제시합니다.

• 이론적 기여: SSM(상태 공간 모델) 의 상태 전이 메커니즘 자체에 경계 정보와 채널 간 의존성을 내재화함으로써, 단순한 특징 융합을 넘어선 구조적 혁신을 이루었습니다.
• 실용적 가치: MRI 와 CT 모두에서 높은 정확도와 효율성을 동시에 달성하여, 임상 환경에서의 실제 배포 가능성을 높였습니다.
• 향후 과제: 3D 볼륨 분할 확장, 경량화 (지식 증류 등), 그리고 초음파 및 PET-CT 등 다른 모달리티로의 일반화 검증이 필요하다고 언급했습니다.

요약하자면, CS-MUNet은 공간적 경계 인식과 채널 간 의미론적 협력을 동시에 해결하는 이중 스트림 Mamba 네트워크로, 복부 다중 장기 분할 분야에서 새로운 SOTA 를 설정한 연구입니다.