Segmentation of Gray Matters and White Matters from Brain MRI data

1. 문제 정의 (Problem Statement)

• 배경: 뇌의 회백질 (Gray Matter) 과 백질 (White Matter) 을 정확하게 분할하는 것은 뇌 해부학 연구, 신경계 질환 진단, 질병 진행 모니터링에 필수적입니다.
• 기존 방법의 한계:
  • 전통적인 방법 (FSL FAST 등) 은 조직 확률 지도를 생성하지만, 다양한 영상 조건에 대응하기 위해 작업별 조정 (task-specific adjustments) 이 필요하며 도전 과제가 많습니다.
  • 기존 딥러닝 모델 (U-Net, nnU-Net 등) 은 대부분 특정 작업에 맞춰 처음부터 학습 (training-from-scratch) 하거나 재조정해야 하므로 데이터 부족 시 일반화 능력이 떨어질 수 있습니다.
  • 최근 등장한 기반 모델 (Foundation Models) 인 MedSAM 은 이진 분할 (전경 vs 배경) 에서는 우수하지만, 회백질과 백질과 같은 다중 클래스 (Multi-class) 분할 작업에는 아직 충분히 탐구되지 않았습니다.

2. 방법론 (Methodology)

이 논문은 MedSAM 아키텍처를 수정하여 뇌 MRI 의 다중 클래스 분할을 수행하는 새로운 접근법을 제안합니다.

가. 데이터 전처리 파이프라인

• 데이터 소스: 공개된 IXI 데이터셋 (T1 가중 MRI, 581 건) 사용.
• 스컬 스트립핑 (Skull Stripping): FSL BET 도구를 사용하여 두개골 및 비뇌 조직 제거.
• 조직 분할 및 라벨 생성: FSL FAST 를 사용하여 회백질, 백질, 뇌척수액 (CSF) 에 대한 확률 지도 생성.
  • 다중 클래스 마스크 생성: 확률 지도를 2D 축 (Axial), 관상 (Coronal), 시상 (Sagittal) 단면으로 슬라이싱.
  • 라벨링: 회백질 확률 > 0.5 → 클래스 1, 백질 확률 > 0.5 → 클래스 2, 나머지 (CSF 등) → 배경 (클래스 0) 으로 변환.
  • 입력 형식: 3D 볼륨을 2D 슬라이스 (256x256) 로 변환하여 MedSAM 프레임워크에 적합하게 구성.

나. 모델 아키텍처 수정 (Modified MedSAM)

• 기본 구조: MedSAM 은 비의료용 SAM(Segment Anything Model) 을 의료 영상에 맞게 적응시킨 기반 모델입니다.
• 수정 사항:
  • 마스크 디코더 확장: 원래의 단일 채널 (이진) 출력 헤드를 3 채널 (배경, 회백질, 백질) 출력 헤드로 변경.
  • 파인튜닝 전략:
    • Image Encoder: 사전 학습된 가중치를 **동결 (Freeze)**하여 일반화 능력 유지 및 과적합 방지.
    • Prompt Encoder 및 Mask Decoder: 미세 조정 (Fine-tuning) 수행.
  • 학습 설정: AdamW 옵티마이저 사용, 학습률 1e-4, 배치 크기 2, 10 에포크 학습. 클래스 불균형 해결을 위해 가중치 교차 엔트로피 손실 함수 적용.

다. 실험 설계

• 단일 방향 모델: Axial, Sagittal, Coronal 각각의 방향성 데이터로 독립적으로 학습.
• 통합 (Unified) 모델: 세 방향 데이터를 모두 결합하여 학습.
• 평가 지표: Dice Similarity Coefficient (DSC), Intersection over Union (IoU).

3. 주요 기여 (Key Contributions)

1. MedSAM 의 다중 클래스 확장: MedSAM 의 이진 분할 능력을 최소한의 아키텍처 변경 (마스크 헤드의 채널 수 증가) 으로 회백질/백질/배경의 3 클래스 분할이 가능하도록 확장했습니다.
2. 효율적인 파인튜닝 전략: 전체 모델을 재학습하지 않고 인코더를 동결하고 디코더만 미세 조정하여, 상대적으로 작은 의료 데이터셋에서도 높은 성능을 달성하고 계산 자원을 절약했습니다.
3. 해부학적 방향성 영향 분석: 뇌의 단면 방향 (Axial, Coronal, Sagittal) 이 분할 성능에 미치는 영향을 체계적으로 비교 분석했습니다.

4. 실험 결과 (Results)

• 성능: IXI 데이터셋 테스트에서 Coronal (관상) 방향 모델이 가장 높은 성능을 보였습니다.
  • 최고 Dice 점수: 0.8751 (Coronal 모델)
  • 최고 IoU 점수: 0.7935 (Coronal 모델)
  • Sagittal 모델이 그 다음 (Dice 0.8604) 이었고, Axial 모델이 가장 낮았습니다.
• 통합 모델의 한계: 모든 방향의 데이터를 합쳐 학습한 통합 모델은 단일 방향 모델보다 성능이 떨어지거나 유사한 수준에 그쳤습니다. 이는 다양한 방향성의 데이터가 혼합되면서 모델이 일관된 특징을 학습하기 어려워졌기 때문으로 분석됩니다.
• 시각적 결과: Coronal 모델은 회백질과 백질 사이의 경계가 가장 명확하게 정의되었으며, 확률 히트맵에서도 경계 부근의 신뢰도가 높게 나타났습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기반 모델의 의료 영상 적용 가능성 증명: MedSAM 과 같은 대규모 사전 학습 기반 모델을 의료 영상 (MRI) 의 다중 클래스 분할 작업에 적용할 수 있음을 입증했습니다.
• 효율성과 적응성: 전체 아키텍처를 재설계하지 않고도 최소한의 수정으로 다양한 의료 영상 시나리오에 적용 가능한 유연한 모델을 제시했습니다.
• 한계점 및 향후 과제:
  • Ground Truth: 수동 전문가 라벨링이 아닌 FSL FAST 의 출력값을 기준 (Pseudo Ground Truth) 으로 사용했으므로, 절대적인 해부학적 정확도보다는 FAST 와의 일치도를 반영합니다.
  • 데이터 다양성: 건강한 대상자의 T1 영상만 사용되었으며, 병리학적 상태 (종양, 병변 등) 나 다양한 스캐너/프로토콜 데이터가 부족합니다.
  • 향후 작업: 3D 확장, 더 큰 데이터셋에 대한 파인튜닝 전략, 그리고 병리학적 사례에 대한 성능 평가가 필요하다고 제안합니다.

요약하자면, 이 연구는 MedSAM 을 뇌 MRI 의 회백질/백질 분할에 성공적으로 적용한 사례로, 기존 전통적 방법이나 U-Net 기반 모델 대비 적은 수정으로 높은 성능을 얻을 수 있음을 보여주며, 의료 영상 분석을 위한 범용 기반 모델의 가능성을 열었습니다.