딥러닝 기술을 이용한 전이성 뇌종양 환자 영상의 자동화 분할 : 딥러닝 이미지 자동화 분할 = AI-Driven Segmentation of Brain Metastases in MRI Using Multi-Sequence Analysis

국문 초록 (Abstract)

본 연구는 뇌전이암(brain metastasis, BM) 환자 영상에서 MRI 시퀀스 구성의 차이가 딥러닝 모델 성능에 미치는 영향을 체계적으로 평가하는 것을 목표로 하였다. Attention 3D U-Net과 DUCK-Net 3D
의 두 가지 3차원 합성곱 신경망 구조를 기반으로, 단일 시퀀스·2시퀀스 조합·모든 시퀀스 조합 등 총 여섯 가지 MRI 구성으로 모델을 학습하였다. 분할 성능은 세 개의 독립적인 테스트 세트에서 Dice
Similarity Coefficient(DSC), sensitivity, precision을 지표로 평가하였다. 또한 모델 및 시퀀스 조건 간의 차이를 검증하기 위해 Wilcoxon
부호순위검정, 대응 t-검정, 이원분산분석(two-way ANOVA)을 수행하였다.
그 결과, 다양한 시퀀스 구성을 기반으로 학습된 DUCK-Net 3D 모델은 가장 높은 DSC(최대 82.6%)를 보였으며 테스트 데이터셋 전반에서더 높은 견고성과 일반화 능력을 입증하였다. 회귀분석 결과에서도 예측된 종양 부피와 수작업 분할 부피 간 높은 일치도(R² > 0.95)가 확인되었으며, 특히 이종(heterogeneous) 시퀀스 기반 학습 모델에서 두드러졌다. 반면 단일 또는 제한된 시퀀스만을 사용한 모델은 성능 저하를 보였으며, 0.4 mL 미만의 소형 병변 탐지에서 어려움을 보였다.
종합하면, 본 연구는 BM 자동 분할 성능 향상을 위해 모델 구조뿐 아니라 MRI 시퀀스 다양성의 중요성을 강조한다. 이러한 결과는 다양한영상 촬영 프로토콜에서도 견고하게 작동할 수 있는 임상 적용 가능한AI 도구 개발을 뒷받침하며, 향후 신경종양학 연구에서 최적의 시퀀스선택 및 학습 전략 수립을 위한 근거를 제공한다.

목차 (Table of Contents)

• 목차
• 1. 서론
• 2. 방법
• 3. 결과
• 4. 고찰
• 5. 결론
• 표목차
• 1. Patient Demographics and Tumor Characteristics in Training
• and Test Sets
• 2. MRI Sequence Data Allocation for Training and Testing
• 3. Performance Metrics of Attention 3D U-Net and DUCK-Net
• 3D Models across Different Sequences
• 그림목차
• 1. Segmentation and Evaluation Pipeline for BMs
• 2. Performance Comparison of Duck-Net 3D (a, b) and
• Attention U-Net 3D (c, d) Across Sequences
• 3. Visual Comparison of Tumor Segmentations by DUCK-Net
• 3D Trained on Different MRI Sequences, Including
• Representative Failure Cases.
• (a) Original axial contrast-enhanced T1-weighted MRI, (b) Ground
• truth tumor segmentation mask, (c) Overlay of original MRI and
• ground truth segmentation for reference. (d–i) Predicted segmentation
• results from DUCK-Net 3D models trained on different MRI sequence
• cohorts: (d) All Sequences, (e) Non-Black Blood (Non-BB), (f) Black
• Blood (BB), (g) MPR RANGE, (h) MPR Thick Range, (i) T1 SPACE
• 3D. Red contours indicate predicted tumor regions. (j–l) Input DICOM
• images from the test set used to illustrate representative failure cases.
• (m–o) Corresponding segmentation results overlaid on each DICOM
• slice, where red denotes false positives or misaligned segmentations
• and green indicates missed true lesions. These examples highlight
• model limitations in detecting tumors with subtle contrast or atypical
• morphology
• 4. Regression plots of predicted versus manual tumor volumes
• for six training sets
• (a, g) All Sequences, (b, h) non-BB, (c, i) BB, (d, j) MPR Range, (e, k)
• MPR Thick Range, and (f, l) T1 Space 3D. Each model was tested on
• three sequences—TEST MPR Range, TEST MPR Thick Range, and TEST
• T1 Space 3D. Top and bottom rows represent all tumors and small tumors
• (< 0.4 mL), respectively. Regression lines, R², and y = ax + b equations are
• overlaid for each test case