Reducing Annotation Burden for Femoral Cartilage Segmentation in Knee MRI via Cross-Sequence Transfer Learning

기술 요약: 교차 시퀀스 전이 학습을 통한 무릎 MRI 에서 대퇴골 연골 분할을 위한 주석 부담 경감

문제 제기
무릎 자기공명영상 (MRI) 에서 대퇴골 연골의 정확한 분할은 골관절염 진행 정량화에 필수적입니다. 딥러닝 (DL) 이 분할 효율성을 향상시켰음에도 불구하고, 기존 모델 대부분은 골관절염 이니셔티브 (OAI) 의 듀얼-에코 스테디-스테이트 (DESS) 시퀀스를 주로 대상으로 단일 MRI 시퀀스에서 훈련 및 평가되었습니다. 그러나 임상 현장에서는 조직 대비도와 공간 분해능이 다른 양성자 밀도 가중 3D 고속 스핀 에코 (Cube) 와 같은 다른 시퀀스를 빈번히 활용합니다. 한 시퀀스에서 훈련된 모델을 다른 시퀀스에 직접 적용하면 성능 저하가 자주 발생합니다. 대상 시퀀스에서 처음부터 모델을 재훈련하려면 대량의 수동 주석 데이터가 필요하며, 이는 노동 집약적일 뿐만 아니라 라벨이 지정된 임상 데이터셋의 부족으로 인해 종종 실행 불가능합니다. 본 연구가 해결하는 핵심 과제는 교차 시퀀스 전이 학습이 동일 시퀀스 훈련과 비교 가능한 분할 성능을 달성하면서도 필요한 대상 도메인 주석 수를 획기적으로 줄일 수 있는지 규명하는 것입니다.

방법론
본 연구는 OAI 의 507 개 DESS 이미지와 IRCCS Istituto Ortopedico Rizzoli 에서 획득한 44 개 Cube 이미지를 활용한 후향적 설계를 사용했습니다. Cube 코호트는 나이, 성별, 체질량지수 (BMI), 좌우성, 그리고 켈그렌 - 로런스 등급 (KLG) 을 기준으로 OAI 코호트와 매칭되었으며, 병변 유무에 따라 비병변 및 병변 하위 그룹으로 계층화되었습니다.

• 아키텍처: 수정된 2D U-Net 이 구현되었습니다. 이 아키텍처는 64 에서 512 채널까지의 4 개 해상도 레벨을 가진 인코더와 1024 채널의 병목 (bottleneck), 그리고 스킵 연결이 있는 디코더로 구성되었습니다. 수정 사항으로는 공간 차원을 보존하기 위해 유효 컨볼루션을 패딩이 동일한 컨볼루션으로 대체하고, 배치 정규화를 추가하며, 드롭아웃 정규화를 도입한 것이 포함됩니다.
• 훈련 전략:
  1. 최적화: 손실 함수, 학습률, 배치 크기, 드롭아웃과 같은 하이퍼파라미터 및 데이터 증강 파라미터는 전체 OAI DESS 데이터셋에서 Tree-structured Parzen Estimator (Optuna) 를 사용하여 최적화되었습니다.
  2. 동일 시퀀스 기준선: 피험자 수준의 교차 검증 (훈련 70%, 검증 20%, 테스트 10%) 을 사용하여 DESS 및 Cube 이미지 하위 집합에서 처음부터 모델을 훈련하여 성능 기준선을 확립했습니다.
  3. 교차 시퀀스 전이 학습: 사전 훈련된 모델을 대상 시퀀스에서 미세 조정 (fine-tuning) 했습니다. 저수준 특징을 보존하기 위해 인코더는 고정되었고, 병목 및 디코더는 업데이트되었습니다. 미세 조정에는 감소된 학습률 ($1 \times 10^{-5}$) 과 더 작은 배치 크기가 활용되었습니다.
• 수렴 분석: 대상 도메인의 최소 주석 부담을 결정하기 위해 검증 및 테스트 세트를 고정하면서 대상 도메인의 훈련 세트 크기를 1 에서 사용 가능한 최대치까지 점진적으로 증가시켰습니다. 수렴은 Dice 유사도 계수 (DSC) 가 네 번의 연속적인 증가 구간에서 0.003 미만의 절대적 개선을 보일 때로 정의되었습니다.
• 평가: 성능은 DSC 와 평균 표면 거리 (ASD) 를 사용하여 측정되었습니다. 병변 효과에 대한 통계적 유의성은 보너페로니 보정을 적용한 양측 Mann–Whitney U 검정으로 평가되었습니다.

주요 기여 및 결과
본 연구는 교차 시퀀스 전이 학습이 주석 요구량을 현저히 줄일 수 있음을 보여주지만, 성능은 전이 방향과 특정 MRI 시퀀스 특성에 크게 의존함을 입증했습니다.

• 동일 시퀀스 성능: DESS 에서 훈련한 경우 (DSC: 0.900) 가 Cube 에서 훈련한 경우 (DSC: 0.830) 보다 정확도가 높았으며, 이는 DESS 이미지에서 연골 - 배경 대비도가 우수하기 때문으로 추정됩니다.
• 전이 방향성:
  • Cube 에서 DESS 로: Cube(원천) 에서 DESS(대상) 로의 전이 학습은 DSC 0.903 을 달성하여 동일 시퀀스 DESS 기준선 (0.900) 과 일치했습니다. 이 성능 평탄화 지점은 단 9 명의 대상 도메인 훈련 피험자로 달성되었습니다.
  • DESS 에서 Cube 로: DESS(원천) 에서 Cube(대상) 로의 전이는 동일 시퀀스 Cube 기준선 (0.830) 에 비해 낮은 DSC(0.802) 를 보였습니다. 이 방향은 성능 평탄화 지점에 도달하기 위해 24 명의 대상 도메인 피험자가 필요하여, 대비도가 높은 시퀀스에서 낮은 시퀀스로의 지식 전이가 덜 효율적임을 나타냈습니다.
• 병변 영향: 대퇴골 연골 병변의 존재는 DESS 에서 분할 정확도에 유의미한 영향을 미치지 않았습니다 (P ≥ .39). 그러나 병변은 Cube 시퀀스에서 정확도를 유의미하게 감소시켰습니다 (비병변 DSC 0.856 대비 0.805; P < .001), 이는 병변 관련 성능 저하가 시퀀스에 의존적임을 시사합니다.
• 주석 효율성: 본 연구는 Cube 에서 DESS 로 전이할 때 동일 시퀀스 훈련과 비교 가능한 성능을 달성하기 위해 10 명 미만의 수동 주석 대상 도메인 피험자만으로도 충분함을 정량화했습니다.

의의 및 주장
저자들은 교차 시퀀스 전이 학습이 서로 다른 기관의 MRI 프로토콜에 걸친 대퇴골 연골 분할 모델 개발을 위한 주석 부담을 완화할 수 있는 실행 가능한 전략이라고 주장합니다. 연구 결과는 다음과 같은 점을 강조합니다:

1. 방향이 중요하다: 대비도가 낮은 시퀀스 (Cube) 에서 대비도가 높은 시퀀스 (DESS) 로 전이하는 것이 그 반대보다 더 효과적입니다. 이는 디코더와 병목 레이어가 대비가 잘 된 데이터에서 미세 조정될 때 특징을 효과적으로 정제할 수 있기 때문일 것입니다.
2. 시퀀스 의존성: 연골 병변이 분할 정확도에 미치는 영향은 시퀀스에 따라 다르며, DESS 는 Cube 가 어려움을 겪는 부분에서 견고함을 보입니다.
3. 실용적 유용성: 전이 학습을 활용함으로써 기관들은 대규모 재훈련이 필요하지 않고 최소한의 수동 라벨링 사례 (예: 10 명 미만의 피험자) 만으로도 특정 프로토콜에 맞는 정확한 분할 모델을 개발할 수 있습니다.

본 논문은 3D 재구성을 수반하는 2D U-Net 사용, 대퇴골 연골에만 국한된 초점, 그리고 3 T 스캐너로 제한된 점과 같은 한계를 겸손하게 지적하며, 1.5 T 와 3D 아키텍처로의 일반화에는 추가 조사가 필요함을 시사합니다.