아프리카 서부 및 중부 지역에서 계층적 미세조정 데이터를 활용한 전이 학습을 통한 성인 뇌신생물 세그멘테이션

뇌종양 중 하나인 글리오마는 높은 치명률을 특징으로 하며, 특히 서아프리카를 포함한 저소득 및 중소득 국가에서 진단에 큰 도전 과제를 제기한다. 본 논문은 자원이 제한된 지역에서 MRI 데이터의 양이 적고 품질이 낮은 상황에서도 효과적으로 대응할 수 있도록 전이 학습(transfer learning)을 활용한 새로운 글리오마 세그멘테이션 접근법을 제안한다. 우리는 사전 훈련된 딥러닝 모델인 nnU-Net과 MedNeXt를 활용하고, BraTS2023-Adult-Glioma 및 BraTS-Africa 데이터셋을 기반으로 계층적(fine-tuning) 전이 학습 전략을 적용한다. 본 연구는 방사형 특성 분석(radiomic analysis)을 활용하여 계층화된 훈련 폴드를 생성하고, 대규모 뇌종양 데이터셋에서 모델을 훈련한 후, 서아프리카 환경에 맞게 전이 학습을 수행한다. 세그멘테이션 정확도를 향상시키기 위해 가중치 기반 모델 앙상블 전략과 적응형 후처리 기법을 도입하였다. 제안한 방법은 BraTS-Africa 2024 대회에서 미리 보지 않은 검증 케이스에 대해 각각 강화된 종양, 종양 핵심, 전반적인 종양 영역에 대해 평균 Dice 계수 0.870, 0.865, 0.926을 달성하며, 대회에서 1위를 차지하였다. 본 연구는 통합된 머신러닝 기법이 자원이 제한된 국가와 선진국 간 의료 영상 능력 격차를 해소하는 데 있어 가능성을 보여준다. 타겟 인구의 구체적인 필요와 제약 조건에 맞게 방법을 조정함으로써, 고립된 환경에서도 진단 능력을 향상시키는 것을 목표로 한다. 연구 결과는 지역 데이터 통합과 계층화 정교화와 같은 접근 방식이 의료 격차 해소, 실용성 확보 및 실제 영향력 증대에 있어 중요함을 강조한다.BraTS-Africa 2024 우승 알고리즘의 도커화 버전은 다음 링크에서 이용 가능하다: https://hub.docker.com/r/aparida12/brats-ssa-2024