효율적인 진단, 치료 계획 수립 및 환자 관리를 위해서는 MRI 영상에서 뇌종양을 정확히 분할(segmentation)하고 분류(classification)해야 한다. 이러한 작업을 수행하기 위해 많은 딥러닝 기법이 사용되고 있다. 그러나 계층적 특징 추출의 부족, 종양의 생물학적 경계에 대한 덜 알려진 세분화, 불확실성(uncertainty) 모델링의 제한과 같은 뚜렷한 성능 격차가 존재한다. 이러한 격차는 다중 모달(multi-modal) MRI 데이터와 이질적인 종양 형태를 다룰 때 특히 발생한다. 본 연구는 베이지안 기반 DeepLabV3+ 아키텍처를 도입함으로써 이러한 문제를 해결한다. 이는 분할 결과의 우도적(aleatoric) 불확실성과 인식적(epistemic) 불확실성을 정량화한다. 따라서 임상적 의사결정에 대한 신뢰성이 향상된다. 아키텍처의 선택은 베이지안 추론의 유망한 성능과 뇌종양의 복잡한 형태에 적합한 다중 스케일 공간 맥락의 보존 능력에 의해 뒷받침된다. 본 아키텍처는 종양의 하위 영역에 대한 다중 모달 주석을 제공하며 각각 여러 종양 인식을 포함하는 BraTS23 및 Figshare 뇌종양 데이터셋에서 시험되었다. 다양한 종양 형태와 크기를 적절히 처리하는 데 있어 Dice 점수 95.86%(BraTS23) 및 92.80%(Figshare)로 매우 우수한 성능을 보였으며, 여러 번의 교차검증 실험을 통해 통계적 유의성이 입증되었다(p < 0.05) . 또한 최근 문헌에서 보고된 주요 접근법들에 비해 성능이 뛰어났다. 더 나아가, 계층적 특징 추출과 저수준(coarse) 수준의 특징 추출을 듀얼 브랜치 처리 및 self-attention을 통해 결합하는 고유한 Hybrid-Depth 분류 프레임워크가 개발되었다. 이 설계는 서로 다른 모달 간 상호 의존성을 명시적으로 특성화하고 특징의 중복을 완화해야 한다는 요구에 의해 정당화된다. 본 프레임워크는 뇌종양 MRI 양식(Flair, T1, T2 및 T1ce)과 종양 유형 클래스(예: gliomas, meningiomas 및 pituitary)를 분류하는 데 효과적으로 수행되었다. 분류 과제에 대한 계층적 및 더 거친 수준의 특징 추출은 원활하게 수행되었다. 제안된 아키텍처는 BraTS23 및 Figshare 뇌종양 데이터셋에서 각각 98.80%와 95.40%의 정확도를 달성하였다. 본 연구는 Hybrid-Depth 메커니즘을 정의하고 판별적 표현 학습을 향상시키는 데에서의 역할을 상세히 제시함으로써 독창성과 실용성을 입증한다. 프레임워크의 성능은 자동화된 뇌종양 진단에서의 실용적 활용 가능성과 더불어 현재의 접근법들에 대한 우수성을 모두 보여준다. 제안된 프레임워크는 진단 효율성과 정확성을 높이고 의료진이 최선의 환자 관리를 제공하는 데 도움을 주기 위한 주요한 진전을 제공한다. 요약하면, 제안된 Bayesian-DeepLabV3+ 및 Hybrid-Depth 프레임워크는 불확실성 정량화, 데이터셋 기반 아키텍처 선택, 그리고 다중 모달 특징 학습에서의 방법론적 공백을 연결함으로써 분야를 함께 강화한다. 따라서 본 접근법은 자동화된 뇌종양 진단을 위한 견고한 AI 파이프라인을 제공한다.

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