흉부 X-ray 영상에서 카테터 분할을 위한 2단계 딥러닝 프레임워크

국문 초록 (Abstract)

카테터(Catheter)는 최소 침습 중재적 시술에서 핵심적인 의료기기로, 임상 현장에서는 X-ray 투시 영상을 통해 삽입 위치와 진행 경로를 확인한다. 그러나 시술자의 수동적 판독은 시간 소모가 크고 주관적이며, X-ray 영상 특유의 저대조도와 높은 노이즈는 카테터의 자동 분할을 어렵게 한다. 특히 카테터의 가늘고 긴 선형 구조는 늑골이나 폐혈관 등 해부학적 구조물과 중첩될 경우 영상 내에서 단절되거나 누락되기 쉽다.
본 연구의 목표는 모델이 예측 불확실성이 높은 영역에서도 안정적으로 카테터의 구조적 연속성과 형태적 정확성을 복원할 수 있도록 하는 것이다. 이를 위해 흉부 X-ray 영상에서 카테터의 정밀 분할을 위한 2단계 딥러닝 프레임워크(Two-Stage Segmentation Framework)를 제안한다. 첫 번째 단계인 초기 분할(Initial Segmentation) 단계에서는 CNN의 지역적 표현력과 Transformer의 전역적 문맥 이해력을 결합한 Dual-Encoder 구조를 도입하였다. 두 인코더에서 추출된 특징은 Feature Fusion Block (FFB)을 통해 상호 보완적으로 융합되어, 지역적 세부 정보와 전역적 문맥 정보의 균형을 유지한다. 두 번째 단계인 엔트로피 기반 재분할(Entropy-Guided Re-Segmentation) 단계에서는 1단계 예측 결과로부터 산출된 엔트로피 맵을 활용하여 모델의 예측 불확실성을 정량화하였다. 특히 제안하는 Entropy-Guided Attention Module (EGAM)을 통해 불확실성이 높은 영역의 특징을 주변 문맥 정보를 기반으로 선택적으로 보강하였다.
공개 데이터셋인 RANZCR CLiP의 NGT 및 SGC 데이터를 이용한 실험 결과, 제안하는 프레임워크는 각 데이터셋에서 각각 0.768, 0.789의 Dice Similarity Coefficient(DSC)와 0.870, 0.904의 clDice 점수를 기록하였다. 이는 U-Net, DeepLabv3+를 비롯한 기존 방법과 최신 모델인 EMCAD, FCBFormer 대비 전반적으로 우수한 성능을 보인 결과이다. 또한 경계 정밀도 지표인 HD95와 ASSD, 객체 생성 오탐 지표(#SOC)에서도 일관된 개선을 보여, 복잡한 배경 환경에서도 카테터의 연속성을 효과적으로 유지하며 세밀한 경계 복원이 가능함을 확인하였다. 이러한 결과는 제안한 방법이 카테터 자동 분할의 신뢰성과 임상적 활용 가능성을 향상시킬 수 있음을 시사한다.

다국어 초록 (Multilingual Abstract)

Catheters are crucial medical devices in minimally invasive interventional procedures, where their placement and trajectory are typically verified using X-ray fluoroscopy. However, manual interpretation is time-consuming and subjective. Furthermore, intrinsic characteristics of X-ray images, such as low contrast and high noise, pose significant challenges for automatic catheter segmentation. In particular, the thin and elongated linear structures of catheters are prone to disconnection or omission when overlapping with anatomical structures like ribs or pulmonary vessels.
This study aims to robustly restore the structural continuity and morphological accuracy of catheters, even in regions with high prediction uncertainty. To this end, we propose a Two-Stage Segmentation Framework for precise catheter segmentation in chest X-ray images. In the first stage (Initial Segmentation), we introduce a Dual-Encoder architecture that combines the local representation capabilities of CNNs with the global context understanding of Transformers. Features extracted from both encoders are synergistically fused via a Feature Fusion Block (FFB) to maintain a balance between local details and global context. In the second stage (Entropy-Guided Re-Segmentation), we quantify prediction uncertainty using an Entropy Map derived from the initial predictions. Specifically, the proposed Entropy-Guided Attention Module (EGAM) selectively enhances features in high-uncertainty regions by leveraging surrounding contextual information.
Experimental results on the Nasogastric Tube (NGT) and Swan-Ganz Catheter (SGC) subsets of the public RANZCR CLiP dataset demonstrate that the proposed framework achieves DSC scores of 0.768 and 0.789, and clDice scores of 0.870 and 0.904, respectively. These results indicate superior overall performance compared to baseline models such as U-Net and DeepLabv3+, as well as state-of-the-art models like EMCAD and FCBFormer. Furthermore, significant improvements in boundary precision metrics (HD95, ASSD) and the false positive metric (#SOC) confirm that the proposed model effectively mitigates catheter discontinuity and precisely restores fine boundaries, even within complex backgrounds. Consequently, this study enhances the reliability of automatic catheter segmentation and demonstrates its potential for clinical application.

목차 (Table of Contents)

• 제 1장 서 론 1
• 제 1 절 연구 배경 및 목적 1
• 제 2장 관련 연구 4
• 제 1 절 의료 영상에서의 이미지 분할 4
• 제 2 절 X-ray 영상에서의 카테터 분할 연구 6
• 제 3장 제안 방법 8
• 제 1 절 개요 8
• 제 2 절 초기 분할 단계 10
• 제 1 항 개요 10
• 제 2 항 Dual-Encoder 12
• 제 3 항 Feature Fusion Block 13
• 제 4 항 학습 16
• 제 3 절 엔트로피 기반 분할 단계 18
• 제 1 항 개요 18
• 제 2 항 엔트로피 맵 생성 19
• 제 3 항 Entropy-Guided Attention Module 21
• 제 4 항 학습 23
• 제 4장 실험 및 결과 25
• 제 1 절 실험 환경 25
• 제 2 절 하이퍼파라미터 설정 26
• 제 3 절 데이터셋 27
• 제 4 절 평가 지표 29
• 제 5 절 실험 결과 및 분석 30
• 제 1 항 정량적 결과 비교 30
• 제 2 항 정성적 결과 비교 33
• 제 3 항 주요 구성요소별 성능 기여도 분석 36
• 제 5장 결론 및 향후 연구 40
• 참고문헌 42
• Abstract 47