MorVess: Morphology-Aware Pulmonary Vessel Segmentation Network

기술 요약: MorVess – 형태학적 인지 기반 폐 혈관 분할 네트워크

문제 정의
폐 혈관의 정확한 분할은 혈관 구조의 희소성, 구불구불한 형태, 그리고 다중 스케일 특성으로 인해 의료 영상 분석 분야에서 여전히 중요한 과제로 남아 있습니다. 기존의 딥러닝 접근 방식은 주로 복셀 단위(voxel-wise) 감독을 통해 이진 마스크를 최적화하지만, 이는 연속적인 관상 구조와 미세한 분지의 연결성을 보존하는 데 실패하는 경우가 많습니다. 전통적인 방법과 표준 딥러닝 모델은 특히 혈관이 가늘고 대비가 낮은 원위부 미세혈관 영역에서 위상적 불연속성, 경계 모호성, 직경 불일치 문제를 겪습니다. 또한, Segment Anything Model(SAM)과 같은 파운데이션 모델이 유망한 가능성을 보여주고 있음나, 이를 3D 의료 데이터에 직접 적용하는 것은 3D 공간적 맥락의 결여(슬라이스별 처리 시)와 튜브 구조에 필요한 명시적 기하학적 제약의 부재로 인해 어려움이 있습니다.

방법론
저자들은 미분 가능한 기하학적 사전 지식(geometric priors)과 대규모 파운데이션 모델 적응을 통합한 형태학적 인지 분할 프레임워크인 MorVess를 제안합니다. 이 아키텍처는 세 가지 핵심 구성 요소로 이루어져 있습니다:

1. 기하학적 사전 지식 생성: 경계 모호성과 직경 불연속성을 해결하기 위해, 본 방법은 정답(ground-truth) 마스크로부터 두 가지 연속적이고 미분 가능한 감독 신호를 생성합니다:

   • 혈관 거리 맵 (Vessel Distance Map, VDM): 형태학적 침식(erosion)과 지수적 거리 감쇠를 사용하여 이진 마스크 경계를 매끄러운 그래디언트 포텐셜 필드로 변환합니다. 이는 서브 픽셀 수준의 국소화(localization)를 제공하고 경계 그래디언트를 날카롭게 만듭니다.
   • 혈관 두께 맵 (Vessel Thickness Map, VTM): 혈관 중심선 골격(skeleton)으로부터 유도되며, 이 맵은 최대 내접 구(maximal inscribed sphere)의 반지름을 기준으로 복셀에 두께 값을 할당합니다. 이는 혈관 직경의 전역적 일관성을 강제하고 국소 영역에서의 비물리적인 진동을 방지합니다.

2. 2.5D 기하학적 적응 네트워크:

   • 2.5D 어댑터: 2D로 사전 학습된 SAM 표현과 3D 볼륨 데이터 사이의 간극을 메우기 위해 경량 어댑터를 도입합니다. 이 어댑터는 입력 볼륨을 중첩된 슬라이스 시퀀스(예: 타겟 슬라이스와 인접한 이웃 슬라이스들)로 처리하며, 무거운 SAM ViT 인코더를 언프리징(unfreezing)하지 않고도 슬라이스 간 의존성을 모델링하기 위해 3D 컨볼루션 구조를 사용합니다.
   • 멀티 헤드 기하학적 예측 디코더: SAM 디코더를 확장한 이 모듈은 병렬 브랜치를 포함하여 시맨틱 마스크, VDM, VTM을 공동으로 회귀(regress)합니다.
   • 전역-지역 융합 블록 (Global-Local Fusion Block, GLFB): 이 블록은 다단계 특징(전역적 시맨틱 맥락, 얕은 지역 텍스처, 깊은 시맨틱 추상화)을 스스로 예측된 기하학적 사전 지식(VDM/VTM)과 함께 집계합니다. 동적 하이퍼네트워크 메커니즘을 통해 이러한 특징들의 가중치를 적응적으로 조절하여 최종적인 혈관 위상 구조를 정교화합니다.

3. 2단계 학습 전략:

   • 1단계 (매크로 특징 적응): SAM 인코더를 고정(frozen)한 상태에서 2.5D 어댑터와 디코더 헤드를 학습시켜 슬라이스 간 관계를 학습하고 기하학적 사전 지식을 매핑합니다.
   • 2단계 (위상적 미세 조정): 어댑터를 고정하고, 더 낮은 학습률로 융합 모듈과 예측 헤드를 미세 조정하여 경계 정밀도와 위상적 일관성을 최적화합니다.

학습에는 Cross-Entropy, Dice, centerline Dice (clDice), 그리고 거리 및 두께 맵을 위한 L1 손실을 결합한 복합 손실 함수가 사용됩니다.

주요 기여

• 기하학적 사전 지식 기반 분할: 혈관 두께 맵(VTM)과 혈관 거리 맵(VDM)의 공동 최적화 프레임워크를 도입하여, 복잡한 분지 패턴 전반에 걸쳐 혈관의 위상 구조와 일관된 기하학적 구조를 보존하도록 명시적으로 강화했습니다.
• 경량 2.5D 프레임워크: 다단계 공간 단서를 통합하고 슬라이스 간 연속성을 강화하며 미세한 구조의 연속성을 개선하는 향상된 융합 블록을 갖춘 교차 슬라이스 어텐션 프레임워크를 설계하여 계산 효율성을 유지하면서도 3D 연속성을 높였습니다.
• 자원 효율적 적응: 제한된 컴퓨팅 예산 하에서 대규모 사전 학습 모델(SAM)을 3D 의료 분할 작업에 안정적으로 적응시킬 수 있는 2단계 학습 전략을 개발했습니다.

실험 결과
MorVess는 두 가지 도전적인 폐 CT 벤치마크인 Parse2022(동맥 구조 중심)와 AIIB2023(복잡한 병변을 가진 폐 섬유증 포함)에서 평가되었습니다.

• 성능 지표: MorVess는 모든 지표에서 최첨단 방법들(nnU-Net, Swin-UNet, COMMA 포함)보다 우수한 성능을 달립했습니다.
  • Parse2022에서 Dice 점수 86.84%(2위인 83.27% 대비)와 clDice **83.22%**를 달성했습니다.
  • AIIB2023에서 Dice 94.31% 및 clDice **89.34%**에 도달했습니다.
  • HD95(경계 정확도), AMR(누락율), DBR(분지 탐지 비율), DLR(길이 탐지 비율)에서도 유의미한 개선이 관찰되었습니다.
• 어블레이션 연구 (Ablation Studies): 실험을 통해 VDM과 VTM 감독의 포함이 성능을 시너지 있게 향상시키며, Parse2022에서 HD95를 6.85 mm에서 4.53 mm로 감소시킨다는 것을 확인했습니다. 또한 2.5D 어댑터와 GLFB가 3D 연속성과 미세 디테일 재구성에 결정적이라는 것이 입증되었습니다.
• 데이터셋 교차 일반화: 모델은 미세 조정 없이도 분포 외(out-of-distribution) 데이터셋(HiPas 및 ATM2022)에 적용되었을 때 높은 Dice 및 clDice 점수를 유지하며 강건함을 보여주었습니다. 이는 기하학적 제약이 데이터셋 특유의 외형이 아닌 위상적 연속성을 인코딩하고 있음을 나타냅니다.
• 기하학적 분석: Vascular Modeling Toolkit (VMTK)을 사용한 분석 결과, MorVess는 총 혈관 부피(TVV)에서 가장 낮은 오차를 보였고, 직경 분포에서 정답과 가장 높은 상관관계를 보여 생리학적 혈관 특성을 보존하는 능력을 검증했습니다.
• 효율성: 모델은 슬라이스 스택당 1.0M 개의 학습 가능한 파라미터와 42 GMACs만을 필요로 하며, 이는 nnU-Net(32M 파라미터, 180 GMACs)과 같은 경쟁 모델보다 현저히 낮은 수준입니다.

의의 및 주장
본 논문은 MorVess가 사전 학습된 비전 모델에 기하학적 지능을 내장함으로써 정밀한 혈관 분석을 위한 원칙적이고 확장 가능한 경로를 제공한다고 주장합니다. 단순한 이진 마스크 최적화를 넘어 명시적이고 미분 가능한 기하학적 제약(거리 및 두께)을 포함함으로써, 현재 모델들이 연속적인 관상 형태를 복구하는 데 겪는 근본적인 한계를 해결합니다. 저자들은 이 접근 방식이 특히 폐 질환 진단 및 수술 전 계획에 중요한 소혈관 복구와 전역적 연결성 측면에서 임상적으로 신뢰할 수 있는 구조적 정량화를 가능하게 한다고 강조합니다. 이 연구는 파운데이션 모델의 적응성과 형태학적 감독을 결합하는 것이 3D 처리의 계산 비용과 높은 정확도 사이의 트레이드오프를 극복할 수 있음을 보여줍니다.