플러스프로젝트 배경
필요성
- 수술 계획 및 치료 방침에 있어 정확한 종양 위치 및 범위 파악이 필수적
- 수작업 라벨링은 시간과 비용이 많이 들며 의료진 간 해석 기준 차이가 발생
최종 목표
- T1C MRI 영상에서 뇌수막종 종양을 자동으로 분할할 수 있는 모델을 개발
- 전처리부터 예측 결과 시각화 및 다운로드까지 가능한 시스템을 구축
- 일관되고 효율적인 진단 지원이 가능하도록 하는 것을 목표
모델 개선 필요성
- 종양의 크기가 작을수록 예측이 어렵고, 위치에 따라 예측 성능 차이가 발생
- 많은 모델에서 종양을 명확히 구분하지 못하고, 기준 설정에 따라 결과가 달라지는 현상이 있음
구현 목표
- 종양의 크기나 해부학적 위치에 따라 발생하는 예측 성능의 편차를 완화하고
- 다양한 조건에서도 신뢰도 높은 예측이 가능한 모델을 구축하는 것이 목표
세부 구조 제안
- 종양의 형태가 왜곡되지 않도록 예측 정확도를 높이는 구조적 특성을 가진 UNet++을 적용
- 작은 종양에 대한 표현 학습을 유도하기 위해, 중간 예측 결과에도 loss를 부여하는 Deep Supervision 기법을 적용
- 제한된 환자 수(500명)를 고려해 2D axial 슬라이스 기반 구조를 설계함으로써 학습 샘플 수를 늘리고 메모리 효율을 확보
- Threshold 설정에 따라 결과가 달라지지 않도록 예측 신뢰도를 높이는 구조를 제안
- 수술 계획 및 치료 방침에 있어 정확한 종양 위치 및 범위 파악이 필수적
- 수작업 라벨링은 시간과 비용이 많이 들며 의료진 간 해석 기준 차이가 발생
최종 목표
- T1C MRI 영상에서 뇌수막종 종양을 자동으로 분할할 수 있는 모델을 개발
- 전처리부터 예측 결과 시각화 및 다운로드까지 가능한 시스템을 구축
- 일관되고 효율적인 진단 지원이 가능하도록 하는 것을 목표
모델 개선 필요성
- 종양의 크기가 작을수록 예측이 어렵고, 위치에 따라 예측 성능 차이가 발생
- 많은 모델에서 종양을 명확히 구분하지 못하고, 기준 설정에 따라 결과가 달라지는 현상이 있음
구현 목표
- 종양의 크기나 해부학적 위치에 따라 발생하는 예측 성능의 편차를 완화하고
- 다양한 조건에서도 신뢰도 높은 예측이 가능한 모델을 구축하는 것이 목표
세부 구조 제안
- 종양의 형태가 왜곡되지 않도록 예측 정확도를 높이는 구조적 특성을 가진 UNet++을 적용
- 작은 종양에 대한 표현 학습을 유도하기 위해, 중간 예측 결과에도 loss를 부여하는 Deep Supervision 기법을 적용
- 제한된 환자 수(500명)를 고려해 2D axial 슬라이스 기반 구조를 설계함으로써 학습 샘플 수를 늘리고 메모리 효율을 확보
- Threshold 설정에 따라 결과가 달라지지 않도록 예측 신뢰도를 높이는 구조를 제안
프로젝트 성과
UNet ++ with Deep Supervision으로 성능 업그레이드
- 작은 크기의 종양과 측두엽처럼 예측이 어려운 위치에 있는 종양들도 잘 잡아낼 수 있게 Deep Supervision 적용
- 모델 성능 증가 효과 입증
- 모델 성능 증가 효과 입증
핵심 기능
전처리
데이터셋을 HD-HET으로 스컬을 제거하고 리샘플링하여 스펙싱과 정렬을 유지
환자와 병원마다 다른 intensity 분포 정규화하고 슬라이싱하여 모델에 입력할 데이터 전처리
환자와 병원마다 다른 intensity 분포 정규화하고 슬라이싱하여 모델에 입력할 데이터 전처리
실험
- UNet 과 Transform 기반 모델 비교
- UNet basic과 UNet++와 UNet++ with Deep Supervision 추가하고 정확도 실험
- UNet basic과 UNet++와 UNet++ with Deep Supervision 추가하고 정확도 실험
결론
- 기존 UNet++ 논문에 나와있는 Deep Supervision으로 Transform 모델들 보다 UNet모델이 MRI 영상 추론에서는 더 높은 성능을 냄
진행 단계
기획
2025.06.
- 뇌수막종에 관련된 논문을 읽고 모델과 전처리 기법을 정리 및 회의
프로젝트 상세
- 기간 : 2025.06.18 ~ 2025.07.28
- 역할 : 전처리 자동화(HD-BET, GTV), 슬라이싱 및 저장 구조 설계, 모델 학습 및 시각화 전반 담당, 발표자료 및 보고서 작성
- 주요 내용 :
• Skull-stripping(HD-BET), GTV 마스크 병합, 정규화 및 axial 슬라이스 분할
• UNet, AttentionUNet, UNet++ 구조 기반 학습 및 DICE, IoU 지표 평가
• 모델별 시각화 및 per-patient Dice 분석 자동화 구조 구축
- 성과 :
• 의료영상 전처리부터 모델 설계, 성능 분석까지 end-to-end 구성 경험
• 실험 흐름, 구조 설계, 통계적 비교 분석까지 포함한 종합 역량 강화
- 역할 : 전처리 자동화(HD-BET, GTV), 슬라이싱 및 저장 구조 설계, 모델 학습 및 시각화 전반 담당, 발표자료 및 보고서 작성
- 주요 내용 :
• Skull-stripping(HD-BET), GTV 마스크 병합, 정규화 및 axial 슬라이스 분할
• UNet, AttentionUNet, UNet++ 구조 기반 학습 및 DICE, IoU 지표 평가
• 모델별 시각화 및 per-patient Dice 분석 자동화 구조 구축
- 성과 :
• 의료영상 전처리부터 모델 설계, 성능 분석까지 end-to-end 구성 경험
• 실험 흐름, 구조 설계, 통계적 비교 분석까지 포함한 종합 역량 강화
