Evaluating Boundary-Aware Losses for U-KAN on BraTS 2023 Brain Tumor Segmentation

병원 영상실의 조용한 웅성거림 속에서, 자기공명영상(MRI) 스캐너가 인간 뇌의 복잡한 풍경을 포착합니다. 의사들에게 이 영상들은 삶과 죽음의 지도이며, 성공적인 수술과 비극적인 결과 사이의 차이는 종-종 종양의 시작과 끝이 정확히 어디인지 보는 능력에 달려 있습니다. 문제는 뇌종양, 특히 교종(glioma)이라 불리는 유형은 깔끔하고 둥근 물체가 아니라는 점입니다. 그것들은 불규칙하고 침습적이며, 그 가장자리는 종종 건강한 조직 속으로 흐릿하게 섞여 들어가 인간의 눈이 정확한 선을 긋는 것을 어렵게 만듭니다. 이를 돕기 위해 과학자들은 인공지능에 의지하여, 컴퓨터가 이 스캔 영상을 보고 질병의 경계를 자동으로 추적하도록 가르치고 있습니다. '세그멘테이션(segmentation)'이라고 알려진 이 과정은 시각적 이미지를 치료 계획을 안내할 수 있는 일련의 숫자로 변환합니다. 하지만 컴퓨터에게 이러한 흐릿한 가장자리를 보는 법을 가르치는 것은 아이에게 원을 그리는 법을 가르치는 것과 같습니다. 전체적인 형태를 맞추기는 쉽지만, 선을 완벽하게 매끄럽고 정확하게 만드는 것은 훨씬 더 어려운 과제입니다.

모로코 카디 아야드 대학교의 연구진은 이 문제를 해결하기 위한 특정 아이디어를 테스트하기 위해 나섰습니다. 그들은 컴퓨터에게 단순히 전체적인 모양뿐만 아니라 종양의 가장자리에 주의를 기울이도록 명시적으로 가르침으로써 컴퓨터의 '그리기'를 더 개선할 수 있는지 알고 싶었습니다. 머신러닝의 세계에서 컴퓨터는 자신의 추측이 얼마나 틀렸는지를 나타내는 점수인 '손실(loss)'을 최소화하려고 노력하며 학습합니다. 보통 컴퓨터는 종양의 전체 면적을 정확하게 맞추는 것에 대해 보상을 받습니다. 연구진은 가장자리를 틀렸을 때 특별한 페널티를 추가하는 것이 컴퓨터로 하여금 더 정확한 윤곽을 생성하도록 강제할 수 있을지 궁금했습니다. 그들은 전 세계적인 대회인 BraTS 2023의 방대한 뇌 스캔 데이터 세트를 사용하여, 의료 영상을 처리하기 위해 설계된 정교한 구조인 최신 신경망 모델 U-KAN을 통해 이 아이디어를 테스트했습니다.

연구진은 단순히 추측만 한 것이 아니라 엄격한 실험을 수행했습니다. 그들은 두 가지 다른 버전의 컴퓨터 시스템을 구축했습니다. 하나는 책장을 넘기듯 뇌 스캔을 슬라이스 단위로 살펴보는 방식이었고, 다른 하나는 3D 모델을 손에 들고 있듯 전체 뇌 부피를 한꺼번에 살펴보는 방식이었습니다. 각 버전에 대해 연구진은 다섯 가지 방식으로 컴퓨터를 훈련시켰습니다. 한 가지 방법은 오직 전체 면적에만 집중하는 표준 방식이었습니다. 나머지 네 가지 방법은 가장자리에 초점을 맞춘 아이디어를 서로 다른 방식으로 통합하려는 시도였습니다. 어떤 방식은 가장자리에 대해 고정된 규칙을 사용했고, 어떤 방식은 컴퓨터가 학습함에 따라 규칙을 변경했으며, 한 방식은 경계에 대해 완전히 다른 수학적 접근 방식을 시도했습니다. 결과가 단지 운이 아니었음을 보장하기 위해, 연구진은 약간씩 다른 시작 조건과 함께 각의 다섯 가지 방법을 세 번씩 실행하여 총 서른 번의 별도 훈련 세션을 만들었습니다.

결과가 정리되었을 때, 결과는 놀라울 정도로 엇갈렸으며 이 접근 방식의 한계에 대해 명확한 교훈을 주었습니다. 실험의 슬라이스 단위(2D) 버전에서는 가장자리 중심의 방법 중 하나가 가능성을 보여주었습니다. 이 방법은 종양 윤곽의 평균 정확도를 개선했을 뿐만 아니라, 컴퓨터의 추측과 실제 가장자리 사이의 거리를 크게 줄여 오차를 평균 거의 35mm에서 약 22.5mm로 낮추었습니다. 이는 실질적인 개선이었으며, 이 특정 설정에서는 가장자리에 주의를 기울이는 것이 도움이 된다는 것을 시사했습니다. 그러나 이 성공은 취약했습니다. 연구진이 개별 훈련 과정을 자세히 살펴보았을 때, 개선이 일관되지 않았음을 발견했습니다. 세 번의 시도 중 두 번은 표준 방식이 가장자리 중심 방식보다 더 우수한 성능을 보였습니다. 성공 여부는 가장자리 중심의 아이디어보다는 컴퓨터의 특정 시작 조건에 크게 좌ො되는 것처럼 보였습니다.

일반적으로 의료 영상에 더 강력하다고 간주되는 3D 버전 시스템의 이야기는 훨씬 더 낙담스러웠습니다. 여기서 가장자리 중심의 방법들은 거의 아무런 이득을 주지 못했습니다. 특별한 가장자리 규칙으로 훈련된 컴퓨터는 표준 방식과 거의 동일하게 작동했으며, 그 차이는 무작위 노이즈라고 볼 수 있을 만큼 미미했습니다. 사실, 슬라이스 단위 시스템에 사용된 한 가지 가장자리 중심 접근 방식은 훈련 과정 중 한 번의 큰 실패를 일으켰는데, 이때 컴퓨터는 혼란에 빠져 건강한 조직 주변에 거대하고 잘못된 윤곽을 그려버렸습니다. 이러한 불안정성은 단순히 가장자리 페널티를 추가한다고 해서 시스템이 자동으로 똑똑해지는 것이 아니며, 어떤 경우에는 학습 과정을 불안정하게 만들고 오류를 유발할 수 있다는 것을 보여주었습니다.

이 연구는 컴퓨터에게 종양의 가장자리에 집중하도록 가르치는 아이디어가 논리적이고 매력적으로 들리지만, 실제로는 반드시 더 나은 결과로 이어지지는 않는다는 결론을 내립니다. 연구진은 전체적인 형태를 맞추는 데 집중하는 표준 방식이 이 특정 유형의 뇌종양 분할에 있어 매우 강력하고 신뢰할 수 있는 접근 방식임을 발견했습니다. 테스트된 가장자리 중심 기술들은 표준 방식을 대체할 만큼 일관된 이점을 제공하지 못했습니다. 2D 테스트에서 나타난 특정 가장자리 방식의 성공은 잠재력에 대한 힌트였지만, 매번 작동하는 신뢰할 수 있는 해결책은 아니었습니다. 궁극적으로 이 연구는 현재로서는 AI 시스템을 훈련하는 가장 효과적인 방법이 경계에 대한 특별한 규칙을 추가하는 것이 항상 더 나은 결과를 가져올 것이라고 가정하기보다, 입증된 정확도 측정 방식을 고수하는 것이라고 제안합니다. 더 나은 의료 AI를 향한 길은 단 하나의 새로운 기술을 찾는 것이 아니라, 서로 다른 도구들이 정확히 언제 그리고 어떻게 함께 작동하는지를 이해하는 데 있습니다.