기술 요약: 해부학적 분할을 위한 증강 등변 메쉬 네트워크

문제 정의

해부학적 메쉬 분할은 간 표면 라벨링, 구강 내 치아 분할, 뇌동맥류 윤곽선 표시와 같은 임상 응용 분야에서 점점 더 중요해지고 있습니다. 이러한 작업은 많은 임상 재구성 파이프라인의 기본 출력인 불규칙한 삼각형 메쉬 기하학에 직접 작동하는 모델을 필요로 합니다. 그러나 기존 방법들은 두 가지 주요 과제에 직면해 있습니다:

1. 등변성 부재: 현재 메쉬 및 점구름 분할 방법은 강체 변환에 등변적이지 않습니다. 결과적으로 테스트 시간 교란 (예: 환자 자세 변경) 하에서 급격한 성능 저하를 겪습니다. 해당 논문은 40° 기울기 하에서 구강 내 분할이 IoU 점수가 25~26 포인트 하락하는 특정 실패 모드를 인용합니다.
2. 해상도 및 위상 변이: 의료 데이터셋은 메쉬 해상도 (예: 간 표면의 경우 3,000 에서 20,000 개의 모서리) 와 노이즈에서 극적인 변이를 보입니다. 기존 점구름 방법은 위상 구조를 무시하는 반면, 현재 메쉬 기반 방법들은 종종 불변성이 부족하여 환자 자세와의 우연한 상관관계에 취약합니다.

방법론

저자들은 EAMS(등변 해부학적 메쉬 분할기) 를 제안하며, 이는 등변 메쉬 신경망 (EMNN) 을 기반으로 구축된 프레임워크입니다. 이 아키텍처는 뇌동맥류의 경우 $E(3)$, 간 및 치아 메쉬의 경우 키랄리티를 보존하기 위해 $SE(3)$와 같은 적절한 대칭 군에 대한 등변성을 유지하면서 메쉬 그래프에 직접 작동하도록 설계되었습니다.

핵심 아키텍처

이 모델은 EMNN 백본을 활용하여 정점 특징과 좌표를 다음과 같이 업데이트합니다:

• 불변 스칼라: 제곱된 모서리 길이와 면적은 스칼라 특징 업데이트를 위한 입력으로 사용됩니다.
• 등변 벡터: 모서리 변위와 면 법선은 기하학적 등변성을 보존하기 위해 좌표 업데이트에만 사용됩니다.
• 메시지 전달: 네트워크는 인접한 정점 (모서리 메시지) 과 인접한 면 (면 인식 면 메시지) 으로부터 메시지를 집계합니다.

해부학 인식 특징화

등변성을 깨뜨리지 않으면서 강한 공간적 사전 지식을 가진 작업을 처리하기 위해, 저자들은 데이터셋별 글로벌 좌표 사전 지식을 도입했습니다:

• 내재적 기술자: 열 커널 서명 (HKS) 과 점별 면적은 $E(3)$ 불변 형태 기술자로 사용됩니다.
• PCA 유도 프레임: 치아 및 간 데이터셋의 경우, 메쉬 형태 자체에 대한 주성분 분석 (PCA) 을 통해 표준 해부학 프레임을 구성합니다. 정점 위치는 이 프레임을 기준으로 원통 좌표계로 표현됩니다. 이 프레임은 $SE(3)$ 변환 하에서 메쉬와 일관되게 회전하므로, 결과적인 스칼라 특징은 근사적으로 불변으로 유지됩니다.

증강 메시지 전달

네트워크를 깊게 하지 않고 수용 영역을 국소 원형 이웃을 넘어 확장하기 위해 두 가지 증강 전략이 제안되었습니다:

1. 소프트 지역 집계기 (SRA): 메쉬는 미분 가능한 소프트 할당을 통해 $K$개의 학습 가능한 지역 원형으로 분할됩니다. 지역 토큰은 가중 풀링으로 형성되어 경량 트랜스포머에 의해 처리된 후 노드로 다시 분산됩니다. 이는 의미적 요약을 위한 구조화된 병목 지점을 생성합니다.
2. 가상 노드 (VN): $V$개의 가상 노드 집합은 글로벌 메모리 뱅크 역할을 합니다. 실제 노드는 전체 그래프에서 정보를 집계하는 이러한 가상 노드와 메시지를 교환합니다. 이는 비구조화된 글로벌 컨텍스트를 제공합니다.

정규화 및 손실 함수

학습 목적 함수는 표준 예측 손실과 특정 정규화기를 결합합니다:

• 경계 인식 손실: 예측을 위한 경계 차이 합집합 (bDoU) 손실과 잠재 임베딩을 위한 대비 경계 손실 (CBL) 이 사용됩니다.
• 증강 정규화: SRA 의 경우, 다양성 및 균등 분할 손실이 균형 잡힌 지역 할당을 보장합니다. 가상 노드의 경우, 커널 기반 에너지 목적 함수는 노드 붕괴를 방지하고 메쉬 표면과의 근접성을 장려합니다.
• 간 특이적 연속성: 간 랜드마크 식별에 필요한 미묘한 기하학적 단서를 해결하기 위해 인접한 모서리 간의 부드러운 예측을 장려하는 국소 연속성 손실이 사용됩니다.

주요 기여

1. 강건한 다중 작업 벤치마크: 저자들은 EAMS 를 뇌동맥류, 구강 내 스캔, 간 표면 분할이라는 네 가지 임상적으로 구별되는 작업 (모서리, 정점, 면 수준 감독 포함) 에 걸쳐 평가했습니다. 이 프레임워크는 경량화되어 있습니다 (< 2M 파라미터) 고 작업별 베이스라인에 비해 고교란 영역에서 우수한 강건성을 입증했습니다.
2. 해부학 인식 특징화: PCA 로 유도된 해부학 프레임을 등변 아키텍처에 통합함으로써, 모델은 근사적 불변성을 유지하면서 글로벌 공간적 사전 지식을 활용할 수 있게 되어 모든 작업에서 일관되게 성능이 향상되었습니다.
3. 증강 메시지 전달: 소프트 지역 집계기와 가상 노드의 제안 및 평가는 학습 가능한 글로벌 토큰으로 수용 영역을 확장하는 것이 다양한 분할 패러다임에서 성능을 크게 향상시킨다는 것을 입증했습니다.

실험 결과

이 모델은 뇌동맥류용 IntrA 데이터셋, 구강 내용 3DTeethSeg 및 3D-IOSSeg, 그리고 간 표면 데이터셋에서 평가되었습니다.

• 뇌동맥류: EAMS 변형체는 교란되지 않은 입력에서 최첨단 성능을 달성했습니다 (예: VN+EAMS 의 경우 Dice 98.90%). 이는 40° 회전 및 반사 하에서도 점수를 유지한 반면, DGCNN 및 PTv3 와 같은 베이스라인은 현저히 저하되었습니다 (예: DGCNN 은 40° 회전 하에서 Dice 가 94.34% 로 하락).
• 구강 내 분할: 3D-IOSSeg 및 Teeth3DS 벤치마크에서 VN+EAMS 는 거의 10 배 적은 파라미터 (1.9M 대 19.8M) 로 가장 강력한 베이스라인 (Fast-TGCN) 의 성능에 근접했습니다. 중요하게도, Fast-TGCN 은 회전 하에서 저하되어 (40°에서 52% IoU 로 하락) VN+EAMS 는 안정적으로 유지되었습니다 (83% IoU).
• 간 분할: EAMS 계열은 트레이드오프를 보였습니다: 교란되지 않은 메쉬에서는 베이스라인이 표준 스캔 정렬을 활용할 수 있어 베이스라인보다 뒤처졌지만, 40° 회전 하에서는 거의 변하지 않았습니다. 반면, 베이스라인은 급격한 성능 하락을 겪었습니다 (예: MeshGraphCNN 인대 Dice 는 회전 하에서 47% 에서 4.66% 로 하락).

중요성 및 주장

이 논문은 경량 등변 프레임워크가 작업별 아키텍처 없이 다양한 감독 유형에 걸쳐 강건한 해부학적 메쉬 분할을 제공할 수 있다고 주장합니다. 주요 중요성은 교란되지 않은 데이터에서 베이스라인 정확도를 희생하지 않고도 자세 강건성을 달성할 수 있음을 입증하는 데 있습니다.

저자들은 EAMS 가 거의 완벽한 회전 강건성을 달성하지만, 간 분할과 같은 작업에서는 표준 자세 정확도에서 소폭의 트레이드오프를 수반한다고 지적합니다. 이는 비등변 모델이 일관된 스캔 정렬을 강력한 방향 사전 지식으로 암묵적으로 활용하기 때문입니다. 논문은 불변성을 희생하지 않으면서 이 격차를 해소하려면 더 풍부한 내재적 기술자나 등변성을 깨뜨리지 않는 학습된 자세 인식 집계가 필요할 것이라고 결론지었습니다. 이 연구는 스캐너 방향과 환자 자세가 변하는 임상 워크플로우에서 수동 주석 부담을 줄이고 일관성을 개선하기 위한 한 걸음으로 위치 지어졌습니다.