대비 의존성 없는 MRI 세그멘테이션을 위한 학습 전략

우리는 기존의 사전 처리가 전혀 필요 없으며, 새로운 모달리티에 대해 추가 학습이나 미세 조정 없이도 대조 무관(semantic segmentation)을 수행할 수 있는 딥러닝 전략을 제안한다. 기존의 베이지안 기반 방법은 비지도 강도 모델을 활용하여 이 분할 문제를 해결하지만, 상당한 계산 자원을 요구한다. 반면, 학습 기반 방법은 테스트 시 빠른 속도를 제공하지만, 학습 시 사용 가능한 데이터에 매우 민감하다. 본 연구에서 제안하는 학습 방법인 SynthSeg는 학습 단계에서 실시간으로 다양한 대조를 가진 합성 이미지를 생성하는 데 사용되는 일련의 학습용 분할 마스크(강도 이미지 필요 없음)를 활용한다. 이 합성 이미지는 전통적인 베이지안 분할 프레임워크의 생성 모델을 기반으로 하며, 외형, 변형, 노이즈, 편향 필드에 대해 무작위로 샘플링된 파라미터를 사용하여 생성된다. 각 미니배치마다 다른 합성 대조를 사용하기 때문에, 최종 네트워크는 특정 MRI 대조에 편향되지 않는다. 우리는 1,000명 이상의 환자와 4가지 유형의 MRI 대조를 포함하는 네 가지 데이터셋에서 본 방법을 종합적으로 평가하였다. 그 결과, 제안한 방법은 데이터 내 모든 대조 유형에 대해 성공적으로 분할을 수행하였으며, 전통적인 베이지안 분할 방법보다 약간 우수하고, 처리 속도는 약 1,000배 빠르게 나타났다. 또한, 동일한 유형의 MRI 대조 내에서도 실 이미지로 학습하는 경우보다 본 전략이 데이터셋 간 일반화 성능이 훨씬 우수함을 확인하였다. 마지막으로, 현실적이지 않은 다양한 대조를 합성하는 것이 신경망의 일반화 능력을 향상시킨다는 점을 발견하였다. 본 연구의 코드와 모델은 https://github.com/BBillot/SynthSeg에서 오픈소스로 공개되어 있다.