MRI(magnetic resonance imaging)에서 해마 분할(hippocampus segmentation)은 특히 알츠하이머병(Alzheimer’s disease)과 같은 신경퇴행성 질환의 검출, 진단, 추적 및 모니터링에 있어 매우 중요한 역할을 한다. 딥러닝 기반 분할에서는 더 큰 데이터셋이 종종 이점을 제공하지만, 작은 데이터셋은 제한된 데이터 변이성으로 인해 고유한 어려움이 있으며 과적합(overfitting) 위험이 증가한다. 본 연구는 해마 분할에 맞춰 설계된 계산 효율적이고 정확한 3D U-Net 모델을 개발함으로써 이러한 과제를 해결하고자 한다. 제안하는 접근법은 대비(contrast)를 향상시키고 잡음을 감소시켜 더 나은 특징 추출을 가능하게 하는 전처리 파이프라인으로서 3D Contrast Limited Adaptive Histogram Equalization(3D CLAHE)과 Selective Coefficient-Enhanced 3D Wavelet Transform(SCE-3DWT)을 결합한다. 실험 평가는 입력 영상 크기 64×64×96의 해마 MRI 135건으로 구성된 EADC-ADNI HarP 데이터셋을 사용하여 수행되었다. 본 모델은 Dice 계수 0.8838, Jaccard 지수 0.7920을 달성하였으며, 최근의 최첨단(state-of-the-art) 방법들을 능가하였다. 비교 분석 결과, Over-Segmentation Ratio(OSR = FP/(FP+TP), 0.0594)와 Under-Segmentation Ratio(USR = FN/(FN+TP), 0.0569)가 더 낮아져 견고성과 일반화 성능이 확인되었다. 최대 필터 크기 512로 설계된 경량 아키텍처는 전이 학습(transfer learning)에 의존하지 않으면서도 효율적으로 동작하여 더 넓은 적용 가능성을 제공한다. 향후 연구는 후처리 기법을 통합하고, 더 크고 더 다양한 데이터셋을 활용하며, 더 높은 해상도의 체적(volumetric) 데이터를 탐색하여 분할 정확도와 임상적 유용성을进一步 향상시키는 데 초점을 둘 것이다. 본 연구는 의료 영상 분석의 발전에 기여하며, 정확한 해마 분할을 위한 자원 효율적인 프레임워크를 제공함으로써 알츠하이머병 관리의 개선에 잠재적 의의를 가진다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.