MESNet: A Lightweight Transformer-CNN Collaborative Network with Morphology Awareness for Glioma Segmentation

인간의 뇌는 복잡한 풍경과 같으며, 공격적인 유형의 뇌종양인 신경교종(glioma)이 그 안에 뿌리를 내리면 치료로 향하는 길은 매우 위험한 항해와 같은 상황이 됩니다. 의사들은 두개골 내부를 보기 위해 자기공명영상, 즉 MRI에 의존하며, 이를 통해 종양의 모양, 크기, 그리고 종양이 건강한 조직과 어떻게 상호작용하는지를 포착합니다. 이러한 스캔은 일련의 상세한 단면 영상을 생성하지만, 이 이미지들을 수술이나 방사선 치료를 위한 정밀한 지도로 변환하는 것은 매우 어려운 과제입니다. 종양은 종종 주변 뇌 조직과 섞이는 흐릿한 경계선을 가지며, 그 형태는 예측할 수 없는 방향으로 뻗어 나가는 조직의 손가락처럼 매우 불규칙할 수 있습니다. 컴퓨터가 의사를 돕기 위해서는 단순히 종양을 인식하는 것을 넘어, 수술적 정밀도로 그 정확한 경계를 추적해야 합니다. 만약 컴퓨터가 작은 종양 부위를 놓친다면 외과의는 위험한 세포를 남겨두게 될 것이고, 반대로 너무 넓게 예측한다면 건강한 뇌 조직이 불필요하게 제거될 수도 있습니다.

수년 동안 연구자들은 컴퓨터에게 수천 개의 사례를 보여줌으로써 이 분할(segmentation) 작업을 수행하도록 가르쳐 왔습니다. 초기 방법들은 단순한 규칙에 의존했으나, 최신 접근 방식들은 컴퓨터 프로그램이 스스로 패턴을 찾아내는 딥러닝을 사용합니다. 그러나 여전히 지속적인 문제가 남아 있습니다. 많은 프로그램이 종양의 일반적인 영역을 찾는 데는 뛰어나지만, 그 경계를 정의하거나 구체적인 형태를 이해하는 데는 어려움을 겪는다는 점입니다. 이들은 종양을 명확한 윤곽을 가진 별개의 객체가 아닌, 흐릿한 덩어리로 인식하곤 합니다. 바로 이 지점에서 중국 육군 의과대학 연구진의 새로운 연구가 새로운 관점을 제시합니다. 그들은 강력하면서도 효율적인, 특히 인간 전문가가 스캔을 볼 때처럼 종양의 가장자리와 전체적인 형태에 주의를 기울이도록 설계된 MESNet이라는 새로운 시스템을 개발했습니다.

연구진이 직면한 핵심 과제는 두 가지 상충하는 요구 사이에서 균형을 잡는 것이었습니다. 한편으로, 컴퓨터는 뇌 내에서의 종양의 맥락을 이해하기 위해 '전체적인 그림'을 보아야 합니다. 다른 한편으로는, 종양의 가장자리 주변에 날카로운 선을 긋기 위해 아주 미세한 세부 사항을 보아야 합니다. 전통적인 컴퓨터 비전 도구들은 대개 한쪽에는 뛰어나지만 다른 한쪽에는 실패하는 경우가 많습니다. 어떤 것들은 국소적인 세부 사항에 너무 집중하여 전체적인 형태를 놓치고, 어떤 것들은 너무 광범위하여 미세한 선들을 놓칩니다. 연구진은 기존의 많은 시스템이 심지어 고급 시스템일지라도, 종양이 실제 세계에서 어떻게 보이는지에 대한 특정 규칙, 예를 들어 종양이 뚜렷한 경계를 가지고 특정한 형태를 가진다는 사실을 간과하는 경향이 있다는 것을 발견했습니다. 이를 해결하기 위해 그들은 두 가지 서로 다른 유형의 인공지능을 결합한 새로운 네트워크를 구축했습니다. 한 부분은 이미지의 전반적인 맥락을 포착하는 광각 렌코 역할을 하고, 다른 한 부분은 조직의 질감과 미세한 세부 사항에 집중하는 돋보기 역할을 합니다.

이 새로운 시스템이 독특한 점은 단순히 컴퓨터가 경계를 추측하도록 하는 것에 그치지 않고, 경계를 찾도록 능동적으로 가르친다는 것입니다. 연구진은 카메라가 대비를 감지하는 방식과 유사한 수학적 도구를 사용하여 종양이 건강한 뇌와 만나는 선을 강조하는 에지 디텍터(edge detector) 역할을 하는 특별한 모듈을 추가했습니다. 이는 컴퓨터가 경계에 각별히 주의를 기울이게 하여, 그것이 그리는 선이 날카롭고 정확하도록 보장합니다. 또한, 종양은 울퉁불퉁하고 불규칙할 수 있기 때문에, 시스템에는 종양의 '형태'를 학습하는 또 다른 모듈이 포함되어 있습니다. 이 모듈은 종양이 연결된 하나의 고체 덩어리여야 한다는 것을 이해하며, 컴퓨터가 오류처럼 보일 수 있는 빈틈을 채우거나 들쭉날쭉한 선을 매끄럽게 다듬는 데 도움을 줍니다. 이는 다른 방법들에 의해 자주 누락되거나 파편화되는 작은 종양 부위에 특히 중요합니다.

연구팀은 새로운 시스템인 MESNet을 BraTS2021 데이터셋이라고 알려진 널리 인정받는 뇌 스캔 데이터 모음으로 테스트했습니다. 이 데이터셋은 전문가들이 '정답' 역할을 하도록 정성껏 라벨링한 수백 명의 환자의 MRI 스캔을 포함하고 있습니다. 결과에 따르면 MESNet은 매우 우수한 성능을 보였습니다. MESNet은 종양의 부피를 일치시키는 정확도 면에서 현재 사용 가능한 가장 진보된 시스템들과 대등한 수준을 달랐지만, 훨씬 적은 컴퓨팅 자원으로 이를 달ante했습니다. 실제로 이 새로운 시스템은 경쟁 모델들보다 훨씬 적은 메모리와 처리 능력을 필요로 했기에, 슈퍼컴퓨터를 갖추지 못한 병원에서도 훨씬 더 실용적으로 사용할 수 있습니다. 더 중요한 것은, 컴퓨터가 경계를 얼마나 잘 그렸는지 측정했을 때 MESNet은 다른 많은 방법들을 능가했다는 점입니다. MESNet은 컴퓨터의 윤곽선과 전문가의 윤곽선 사이의 거리를 상당한 폭으로 줄였으며, 이는 그것이 그린 선이 진실에 훨씬 더 가까웠음을 의미합니다.

연구진은 또한 어떤 부분이 핵심적인 역할을 하는지 확인하기 위해 시스템을 세분화하여 분석했습니다. 그들은 에지 탐지 기능을 추가하는 것만으로도 경계가 훨씬 더 날카로워졌으며, 형태 인식 기능을 추가하는 것만으로도 시스템이 특히 작고 어려운 부분에서 종양의 완전하고 연결된 형태를 포착하는 데 도움이 된다는 것을 발견했습니다. 두 기능이 함께 사용되었을 때 시스템은 가장 좋은 결과를 만들어냈으며, 정밀한 윤곽을 잡는 필요성과 완전한 형태를 잡는 필요성 사이의 균형을 성공적으로 맞추었습니다. 이 연구는 컴퓨터에게 종양의 형태학적 물리적 규칙, 즉 종양이 어떻게 생겼고 경계가 어디인지에 대해 명시적으로 가르침으로써, 더 똑똑할 뿐만 아니라 임상적으로 더 신뢰할 수 있는 도구를 구축할 수 있음을 시사합니다.

결과는 유망하지만, 연구진은 한계점 또한 명확히 밝히고 있습니다. 이 시스템은 여전히 진행 중인 작업이며 개선의 여지가 있습니다. 예를 들어, 현재 모델은 서로 다른 유형의 MRI 스캔을 더 정교한 방식으로 어떻게 상호 보완하는지 분석하기보다는, 하나의 정보 묶음으로 취급합니다. 또한 컴퓨터가 종양의 복잡하고 극단적인 곡선을 완벽하게 일치시키는 데 여전히 어려움을 겪는 작은 영역들도 존재합니다. 연구진은 향후 연구에서 종양의 서로 다른 부분들이 서로 어떻게 연관되어 있는지에 대한 더 많은 규칙을 추가함으로써 이러한 문제들을 해결할 계획입니다. 이러한 한계에도 불구하고, 이 연구는 글로벌한 이해와 국소적인 세부 사항을 결합하고 질병의 형태를 명시적으로 존중함으로써, 우리가 의사들이 이전보다 더 명확하게 뇌를 볼 수 있도록 돕는 도구를 만들 수 있다는 분명한 경로를 보여줍니다.