3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

매년 전 세계 수백만 명의 사람들이 뇌혈류가 갑자기 중단되어 사망이나 장기적인 장애로 이어질 수 있는 뇌졸중을 겪습니다. 뇌졸중이 발생했을 때 시간은 가장 결정적인 요소입니다. 의사들은 손상 부위가 정확히 어디인지 확인하기 위해 자기공명영상(MRI)에 의존합니다. 이 스캔은 뇌의 상세한 3차원 이미지를 생성하여, 의사들이 병변이라고 알려진 손상된 조직의 위치를 찾을 수 있게 해줍니다. 환자를 효과적으로 치료하기 위해 의사들은 이 손상된 영역의 크기와 모양을 정밀하게 측정해야 합니다. 하지만 컴퓨터 화면에서 이를 수동으로 하는 작업은 느리고 지루하며, 특히 손상된 부위가 아주 작거나 흩어져 있을 때 인간의 실수에 취약합니다.

최근 몇 년 동안 컴퓨터는 이 작업을 자동으로 수행하는 법을 배웠습니다. 딥러닝이라 불리는 인공지능의 한 종류를 사용하여, 이제 기계는 뇌 영상을 스캔하고 몇 초 만에 손상된 영역을 강조할 수 있습니다. 그러나 현재 이러한 컴퓨터가 작동하는 방식에는 심각한 문제가 있습니다. 이들은 결코 확신하지 못한다고 인정하지 않는 자신감 넘치는 전문가처럼 행동합니다. 컴퓨터가 뇌졸중 주변에 경계선을 그릴 때, 자신이 절대적으로 확신하는지 아니면 그냥 추측하는 것인지 말해주지 않은 채 단 하나의 확정적인 답만을 제시합니다. 의료 환경에서 이러한 정직함의 결여는 위험합니다. 의사는 컴퓨터가 손상이 어디에 있다고 생각하는지뿐만 아니라, 컴퓨터가 어느 부분에서 망설이고 있는지도 알아야 하며, 그래야 생사가 걸린 결정을 내리기 전에 그 특정 지점들을 재확인할 수 있습니다.

모로코의 시디 모하메드 벤 압델라 대학교(Sidi Mohamed Ben Abdellah University)의 연구진은 이를 해결할 새로운 방법을 개발했습니다. 그들은 뇌졸중을 찾아낼 뿐만 아니라 자신의 작업에 대해 얼마나 확신하는지도 의사에게 알려주는 시스템을 만들었습니다. 그들의 접근 방식은 뇌 전체를 한 번에 볼 수 있도록 설계된 강력한 컴퓨터 모델과, 모델이 동일한 이미지를 약간씩 다른 방식으로 여러 번 '생각'하게 만드는 영리한 기술을 결end합니다. 이러한 서로 다른 생각들을 비교함으로써, 시스템은 이미지의 어느 부분이 명확하고 어느 부분이 혼란스러운지를 정확하게 지도화할 수 있습니다. 이를 통해 컴퓨터는 의사에게 뇌졸중 지도와 함께, 자신이 불확실하다고 느끼는 부분을 보여주는 별도의 불확실성 지도를 전달함으로써 단순한 자동화 도구를 신뢰할 수 있는 의료 의사결정 파트너로 탈바꿈시킵니다.

연구진은 수백 명의 환자가 포함된 주요 국제 챌린지의 대규모 뇌 스캔 컬렉션을 대상으로 새로운 시스템을 테스트했습니다. 이 스캔들에는 급성 뇌졸중을 포착하는 데 있어 골드 스탠다드(표준)로 여겨지는 두 가지 특정 유형의 이미지가 포함되었습니다. 하나는 뇌 내의 물의 움직임이 차단된 곳을 보여주는 것이고, 다른 하나는 물이 조직을 얼마나 쉽게 통과할 수 있는지를 측정하는 것입니다. 연구팀은 컴퓨터가 단순히 평면적인 2차원 사진으로 조각내어 보는 대신 뇌의 전체 3차원 볼륨을 보도록 훈련했습니다. 이는 뇌졸중이 여러 층에 걸쳐 뻗어 있는 복잡하고 불규칙한 모양을 가진 경우가 많기 때문에 매우 중요하며, 전체 볼륨을 보는 것은 컴퓨터가 부상의 실제 구조를 이해하는 데 도움을 줍니다.

컴퓨터가 스스로의 확신도를 인지하게 만들기 위해, 연구진은 몬테카를로 드롭아웃(Monte Carlo Dropout)이라는 기술을 사용했습니다. 간단히 말해, 이는 컴퓨터의 뇌 내부에서 최종 분석 중에 작은 스위치를 켜둔 상태로 두는 것을 의미합니다. 보통 이 스위치는 훈련이 끝나면 꺼지지만, 여기서는 켜둔 채로 두었습니다. 이 스위치는 컴퓨터가 이미지를 볼 때마다 무작위로 사고 과정의 아주 작은 부분들을 꺼버립니다. 컴퓨터가 매번 이미지를 약간 다른 '렌즈'를 통해 보기 때문에, 매번 볼 때마다 조금씩 다른 답을 내놓게 됩니다. 연구진은 컴퓨터에게 각 뇌 스캔을 20번씩 보도록 요청했습니다. 이 20개의 서로 다른 답변을 평균함으로써, 컴퓨터는 더 정확한 최종 뇌졸중 영상을 만들어냈습니다. 더 중요한 것은, 이 20개의 답변이 서로 얼마나 다른지를 살펴봄으로써 컴퓨터가 이미지의 모든 지점에 대한 불확실성 점수를 계산할 수 있었다는 점입니다.

결과는 이 방법이 두 가지 수준에서 작동한다는 것을 보여주었습니다. 첫째, 컴퓨터는 뇌졸중을 찾는 능력이 향식되었습니다. 모델이 이미지의 가장 중요한 부분에 집중하고 건강한 뇌 조직은 무시하도록 가르치는 특정 어텐션 메커니즘(attention mechanism)을 사용함으로써, 시스템은 손상된 영역을 탐지하는 능력을 개선했습니다. 시스템은 이전 방식들보다 더 많은 실제 뇌졸중 조직을 찾아냈는데, 이는 아주 작은 손상 부위라도 놓치는 것이 부적절한 치료 계획으로 이어질 수 있기 때문에 매우 중요합니다. 이 시스템은 실제 손상과 일치하는 정도를 측정하는 점수에서 0.6816을 기록하며, 이 특정 데이터셋에서 테스트된 단일 모델 방법들 중 가장 좋은 결과를 얻었습니다.

둘둘째로, 그리고 아마도 더 중요하게는, 시스템은 불확실성 지도를 성공적으로 생성했습니다. 연구진은 컴퓨터가 확신할 때는 20개의 서로 다른 관점이 모두 일치하여 낮은 불확실성 점수를 나타내고, 컴퓨터가 불확실할 때는 20개의 관점이 크게 달라져 높은 불확실성 점수를 생성한다는 것을 발견했습니다. 이러한 높은 점수들은 컴퓨터가 실수를 저지르는 지점, 즉 뇌졸중의 모호한 가장자리나 매우 작고 보기 어려운 병변에서 정확히 나타났습니다. 시스템은 자연스럽게 가장 작고 복잡한 뇌졸중을 가장 불확실한 사례로 표시했습니다. 이는 실제 병원에서 의사가 컴퓨터의 지도를 보고 까다로운 지점 주변의 불확실한 영역이 빛나는 것을 즉시 확인하여, 그곳을 면밀히 조사해야 한다는 것을 알 수 있음을 의미합니다.

또한 연구는 이 단일 컴퓨터 모델을 여러 모델이 함께 작동하는 것으로 알려진 앙상블(ensembles) 시스템과 비교했습니다. 이러한 대규모 모델 그룹은 때때로 약간 더 높은 정확도를 달야내기도 했지만, 확신에 대한 어떤 정보도 제공하지 못했습니다. 그들은 여전히 설명 없이 단 하나의 답만을 내놓는 블랙박스였습니다. 모로코 연구팀의 새로운 시스템은 이 벤치마크에서 3차원 뇌졸중 분할에 대한 상세한 지점별 확신 지도를 제공하는 최초의 시스템이라는 점에서 독특합니다. 이는 잘 설계된 단일 모델이 정확하면서도 자신의 한계에 대해 정직할 수 있음을 증명합니다.

이 연구는 인공지능을 단순히 결과를 출력하는 마법 상자로 취급하는 것에서 벗어나, 자신의 추론을 전달하는 도구로 취급하는 변화를 나타냅니다. 연구진은 컴퓨터가 불확실성을 표현하게 함으로써 정확도를 희생할 필요가 없음을 입증했습니다. 실제로 이 방법은 추가적인 훈련 시간이나 근본적인 구조의 복잡한 변경 없이도 작은 뇌졸중의 탐지 능력을 향상시켰습니다. 이 시스템은 컴퓨터가 이미지 스캔이라는 힘든 일을 수행하고 의사는 컴퓨터가 불확실해하는 영역에만 전문 지식을 집중할 수 있는 워크플로우에서 사용될 준비가 되어 있습니다. 이러한 파트너십은 자동화의 속도와 인간의 감독이 가진 안전성을 결-합하며, 이는 환자의 회복을 돕기 위해 이러한 기술을 실제 병원에 도입하는 데 필요한 필수적인 단계입니다.