💻 computer science

Automated classification method of COVID-19 cases from chest CT volumes using 2D and 3D hybrid CNN for anisotropic volumes

이 논문은 서로 수직인 세 평면을 분석함으로써 이방성 흉부 CT 볼륨으로부터 특징을 효과적으로 추출하는 새로운 2D/3D 하이브리드 CNN 방법을 제안하며, 이를 통해 비하이브리드 모델보다 뛰어난 83.3%의 코로나19 진단 분류 정확도를 달성하였다.

원저자: Masahiro Oda, Tong Zheng, Yuichiro Hayashi, Yoshito Otake, Masahiro Hashimoto, Toshiaki Akashi, Shigeki Aoki, Kensaku Mori

게시일 2026-08-03

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Masahiro Oda, Tong Zheng, Yuichiro Hayashi, Yoshito Otake, Masahiro Hashimoto, Toshiaki Akashi, Shigeki Aoki, Kensaku Mori

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 3차원 젤리 블록 내부에서 미스터리를 풀려는 탐정이라고 상상해 보세요. 이것은 단순한 젤리가 아닙니다. 인간의 흉부를 나타내는 데이터 블록이며, 식빵처럼 수백 개의 얇은 층으로 슬라이스되어 있습니다. 의학계에서는 이를 CT 스캔이라고 부릅니다. 보통 탐정(의사)들은 감염과 같은 단서를 찾기 위해 이 슬라이스들을 하나씩 살펴봅니다. 하지만 새로운 은밀한 바이러스가 전 세계에 퍼지면서, 일일이 손으로 확인해야 할 젤리 블록이 너무 많아졌고 탐정들은 지쳐갔습니다. 그들에게는 로봇 조수가 필요했습니다. 여기서 '컴퓨터 보조 진단(Computer-Aided Diagnosis)'이 등장합니다. 이것을 초스마트 로봇 두뇌라고 생각하세요. 이 로봇은 젤리 블록을 보고 "이것은 바이러스를 가진 것 같다"라거나 "이것은 깨끗해 보인다"라고 말할 수 있습니다. 까다로운 점은 젤리의 모양이 완벽하지 않다는 것입니다. 슬라이스의 두께가 때로는 두껍고 때로는 얇아서, 표준적인 로봇 두뇌가 전체 그림을 명확하게 보는 것을 어렵게 만듭니다. 이 논문은 이러한 불규칙한 모양의 데이터 블록을 처리하도록 특별히 설계된 새로운 종류의 로봇 두뇌를 만드는 것에 관한 이야기입니다.

오다 마사히로(Masahiro Oda)와 그의 팀이 이끄는 연구진은 컴퓨터가 코로나19 가능성이 있는 흉부 CT 스캔과 그렇지 않은 것을 자동으로 구별하는 더 나은 방법을 만들고자 했습니다. 그들은 대부분의 표준 로봇 두뇌(3D CNN이라 불리는)가 CT 스캔의 '빵 슬라이스' 두께가 일정하지 않을 때 어려움을 겪는다는 점에 주목했습니다. 이는 마치 한쪽은 두껍고 다른 쪽은 종잇장처럼 얇은 샌드위치를 먹으려는 것과 같습니다. 일반적인 한 입으로는 속 재료를 완전히 놓칠 수도 있기 때문입니다. 이를 해결하기 위해 그들은 '하이브리드' 로봇 두뇌를 발명했습니다. 이 새로운 두뇌는 3D 블록 전체를 한꺼번에 보는 대신, 특별한 기술을 사용합니다. 바로 큐브를 앞, 옆, 위에서 동시에 보는 것처럼 세 가지 다른 각도에서 블록을 관찰하는 것입니다. 이 방식은 평면적인 2D의 눈을 사용하여 각 각도를 따로 스캔함으로써, 불균일한 슬라이스 두께 때문에 3D의 눈이 놓칠 수 있는 세부 사항들을 포착합니다.

이 세 가지 관점으로부터 얻은 모든 단서를 모은 후, 로봇 두뇌는 이들을 결합하여 전체 3D 형태에 대한 강력하고 단일한 이해를 만들어냅니다. 그런 다음, 아주 작은 디테일과 큰 그림을 모두 볼 수 있는 광각 렌즈 역할을 하는 '다이레이티드 컨볼루션(dilated convolutions)'이나, 중요한 정보가 중간에 유실되지 않도록 하는 '덴스 풀링 연결(dense pooling connections)'과 같은 영리한 수학적 기법들을 사용합니다. 연구팀은 이 새로운 하이브리드 두뇌를 1,288개의 흉부 CT 볼륨 데이터셋으로 테스트했습니다. 그 결과, 이 새로운 방식은 약 83.3%의 확률로 정답을 맞혔습니다. 이 특별한 세 가지 각도 기술을 사용하지 않은 로봇 두뇌와 비교했을 때, 하이브리드 버전은 약 79.5%의 정확도를 기록하며 확실히 더 우수했습니다. 저자들은 이 2D의 눈을 사용하여 불균일한 슬라이스를 처리함으로써, 방대한 양의 훈련 데이터가 충분하지 않은 상황에서도 로봇이 더 효과적으로 학습할 수 있다고 언급했습니다. 저자들은 이것이 진일보한 단계임을 인정하면서도, 시스템을 더욱 개선하고 의사들이 바이러스와 싸우는 데 매일 사용할 수 있는 완전한 도구로 만들기 위해 향후 연구가 필요하다고 덧붙였습니다.

기술 요약: 2D/3D 하이브리드 CNN을 이용한 흉부 CT 볼륨 기반 COVID-19 사례의 자동 분류

문제 정의
신종 코로나바이러스 감염증(COVID-19)의 급격한 전 세계적 확산은 의료 기관의 심각한 인력 부족을 초래하였으며, 이에 따라 효율적인 컴퓨터 보조 진단(CAD) 시스템의 필요성이 대두되었습니다. 역전사 중합효소 연쇄 반응(RT-PCR)이 표준 진단 도구이지만, 그 민감도는 42%에서 71% 사이인 것으로 보고되었습니다. 반면, 흉부 CT 기반 진단은 약 97%의 민감도를 보여 바이러스성 폐렴을 식별하는 데 있어 중요한 도구임을 입증했습니다. 그러나 CT 볼륨의 이방성(anisotropic) 특성으로 인해 자동화된 분류 방법을 개발하는 데 어려움이 있습니다. CT 볼륨은 종종 다양한 슬라이스 두께(1.0 ~ 5.0 mm 범위)를 가지므로, 등방성 커널(예: $3 \times 3 \times 3$ )을 사용하는 표준 3D 합성곱 신경망(CNN)은 특징 추출에 최적화되지 못합니다.

방법론
저자들은 이방성 볼륨을 처리하기 위해 특별히 설계된 2D/3D 하이브리드 CNN을 활용하는 자동 분류 방법을 제안합니다. 처리 과정은 다음 단계로 구성됩니다:

전처리 (폐 볼륨 생성):
- 원시 흉부 CT 볼륨에 자동 세그멘테이션 기법을 적용하여 정상 조직과 감염 영역(예: 간유리 음영 및 경화)을 모두 포함하는 폐 영역을 분리합니다.
- 분할된 영역은 고정된 $144 \times 144 \times 144$ 복셀(voxel) 부피로 클리핑 및 리스케일링되어 입력 "폐 볼륨" 역할을 수행합니다.
2D/3D 하이브리드 특징 추출:
- 2D 부분 (병렬 특징 추출): 네트워크의 전반부는 폐 볼륨을 **축상면(axial), 관상면(coronal), 시상면(sagittal)**에 해당하는 세 개의 병렬 흐름을 통해 처리합니다. 등방성 3D 커널 대신, 네트워크는 각 평면에 맞춤화된 이방성 합성곱 커널을 사용합니다:
  - 축상면: $3 \times 3 \times 1$
  - 관상면: $3 \times 1 \times 3$
  - 시상면: $1 \times 3 \times 3$
- 이 세 가지 2D 흐름에서 추출된 특징들은 결합(concatenation)됩니다.
- 3D 부분 (공간 통합): 결합된 특징들은 3D 합성곱 및 풀링을 사용하는 네트워크의 후반부에 의해 처리됩니다. 국소적 및 전역적 공간 특징을 모두 포착하기 위해 저자들은 다음을 포함합니다:
  - 확장 합성곱(Dilated Convolutions): 희소하게 분포된 특징을 활용하기 위함입니다.
  - 밀집 풀링 연결(Dense Pooling Connections): 정보 손실을 줄이고 다중 스케일 공간 정보를 활용하기 위해 표준 맥스 풀링 대신 혼합 풀링(max와 average pooling의 조합)을 사용합니다.
분류:
- 최종 레이어는 영상의학 전문의가 확인한 CT 소견을 바탕으로 높은 가능성(High likelihood) 또는 **낮은 가능성(Low likelihood)**의 이진 분류 결과를 출력합니다.

주요 기여

새로운 아키텍처: 세 개의 직교 평면을 평면별 특정 커널로 처리한 후 이를 3D 문맥 내에서 융합함으로써, 의료용 CT 볼륨의 이방성을 명시적으로 해결하는 2D/3D 하이브리드 특징 추출 흐름을 도입했습니다.
매개변수 효율성: 초기 단계에서 2D 기반 커널을 사용하여 학습 가능한 매개변수의 수를 줄임으로써, 제한된 데이터셋에서도 효과적인 학습이 가능하도록 했습니다.
변동성에 대한 강건성: 이 방법은 COVID-19 사례에서 관찰되는 감염 영역 크기 및 CT 값의 넓은 변동성을 처리하고, 이를 비-COVID-19 질환과 구별하도록 설계되었습니다.

실험 결과
본 방법은 일본의 여러 의료 기관에서 수집된 1,288개의 흉부 CT 볼륨 데이터셋을 통해 평가되었습니다. 데이터셋은 1,030개의 훈련 사례와 258개의 테스트 사례로 나누어졌습니다.

성능: 제안된 2D/3D 하이브리드 CNN은 **83.3% ± 1.8%**의 평균 분류 정확도를 달아냈습니다.
비교: 2D 하이브리드 구성 없이(2D 부분을 표준 3D 합성곱으로 대체) 수행된 비교 실험에서, 베이스라인 모델은 평균 정확도 **79.5% ± 2.1%**를 기록했습니다.
결론: 결과는 2D/3D 하이브리드 특징 추출 흐름이 이러한 특정 아키텍처가 결여된 모델에 비해 측정 가능한 수준의 분류 정확도 향상(약 3.8 퍼센트 포인트 증가)에 기여함을 입증합니다.

의의 및 주장
본 논문은 제안된 방법이 전통적인 등방성 3D CNN이 어려움을 겪는 이방성 볼륨으로부터 이미지 특징을 효과적으로 추출한다고 주장합니다. 2D 평면별 처리와 3D 공간 문맥을 통합함으로써, 시스템은 더 높은 진단 정확도를 달enc성합니다. 저자들은 이 아키텍처가 CT 볼륨에 국한되지 않고 다른 유형의 볼륨형 의료 영상에도 적용될 잠재력이 있다고 언급합니다. 본 연구는 신속하고 정량적인 진단 보조를 제공하여 의료진의 부담을 완화하는 것을 목표로 하는, 완전한 CAD 시스템 개발을 향한 기초적인 단계로서 역할을 합니다. 저자들은 정확도를 개선하기 위한 추가적인 전처리 단계의 도입과 완전한 임상 CAD 시스템 개발을 향후 과제로 제시하며 겸허한 태도를 유지하고 있습니다.

유사한 논문