다중스케일 커리큘럼 3D CNN을 활용한 전유방 MRI 악성 종양 자동 판별

본 논문은 유방암 진단에 사용되는 동적 대비 강화(DCE) MRI 영상을 대상으로, 전통적인 병변 검출‑분류 파이프라인이 갖는 한계—특히 병변 외의 전반적인 조직 특성을 활용하지 못하고, 픽셀 단위 세그멘테이션 라벨링에 소요되는 높은 인적·시간 비용—를 극복하고자 한다. 이를 위해 저자들은 “멀티스케일 커리큘럼 CNN”이라는 새로운 접근법을 제안한다. 핵심 아이디어는 (1) 전체 유방을 3차원 볼륨으로 입력받아 전역 컨텍스트를 학습하고, (2) 두 단계에 걸친 커리큘럼 학습을 통해 초기에는 작은 패치 수준에서 병변 특성을 익힌 뒤, 이후 전체 유방 볼륨으로 확장함으로써 모델이 전역·국소 정보를 순차적으로 통합하도록 하는 것이다. **데이터셋**은 독일 아헨 대학병원에서 수집된 408명의 환자(DCE‑MRI 5시간점 포함)로 구성된다. 각 환자는 1.5 T MRI 스캐너로 촬영되었으며, 512×512×32 voxel(후에 512×256×32 voxel으로 크롭) 형태로 전처리되었다. 악성은 조직검사, 양성은 24개월 추적을 통해 확정하였다. 전체 유방 수준에서 악성 비율은 약 40 %이며, 병변은 방사선 전문의가 수동으로 픽셀 단위 세그멘테이션하였다(비교 모델을 위한 라벨링). **모델 설계**는 ResNet‑18 기반 3D CNN을 백본으로 사용한다. 입력 채널은 6(5시간점 T1‑가중 + 1채널 T2‑가중)이며, 3D 컨볼루션, 배치 정규화 대신 인스턴스 정규화, Leaky ReLU 활성화 함수를 적용한다. 두 단계 커리큘럼 학습을 위해 Stage 1에서는 64×64×4 voxel 패치를 사용하고, 패치 내에 악성 병변이 포함되면 악성 라벨을 부여한다. Stage 2에서는 전체 유방을 256×256×32 voxel 크기로 입력하고, 기존 평균 풀링 뒤에 적응형 풀링 레이어를 삽입해 크기 변화를 보정한다. 학습은 Adam 옵티마이저(learning rate = 1e‑4, 1e‑5)와 5‑fold 교차 검증으로 진행했으며, 배치 크기는 4, 데이터 증강으로 좌·우 대칭 및 z축 회전(±15°)을 적용했다. **비교 실험**은 네 가지 모델을 대상으로 수행되었다. (1) Naïve 3D ResNet18(단일 Stage 2만 적용) – 전역 컨텍스트만 학습, 병변이 희소해 “needle‑in‑a‑haystack” 문제 발생. (2) Mask R‑CNN – 두 단계 객체 검출 + 세그멘테이션 슈퍼비전. (3) Retina U‑Net – RetinaNet 기반 단일 단계 검출에 U‑Net 구조를 결합한 모델. (4) 방사선 전문의 – 2년 경력의 임상의가 BIRADS 기반으로 판독. **성능 결과**는 다음과 같다. 제안 모델(ResNet18 Curriculum)은 AUROC 0.89 ± 0.01, 정확도 0.81 ± 0.02를 기록했으며, Retina U‑Net(0.89 ± 0.01, 0.82 ± 0.02)과 거의 동일하고, Mask R‑CNN(0.88 ± 0.01, 0.77 ± 0.03)보다 약간 우수했다. Naïve 모델은 AUROC 0.50 ± 0.04에 그쳐 전역 학습만으로는 병변을 구분하기 어렵다는 점을 확인했다. 방사선 전문가는 AUROC 0.93, 정확도 0.93을 보였지만, 이는 라벨링 비용과 시간 효율성을 고려하면 아직 자동화된 시스템이 보완할 여지가 있다. **시각적 해석**을 위해 Grad‑CAM 기반 클래스 활성화 맵을 제시했으며, 악성으로 예측된 영역을 빨간색으로 강조해 임상의가 모델의 판단 근거를 직관적으로 확인할 수 있게 했다. **논의**에서는 다중스케일 커리큘럼이 단순한 3D ResNet18을 0.5 수준의 무작위 추측에서 0.89 수준의 임상적 의의가 있는 성능으로 끌어올린 점을 강조한다. 또한, 전역 라벨(유방당 하나)만으로도 충분히 학습이 가능하므로, 다기관·다국가 데이터셋을 손쉽게 구축할 수 있다는 장점을 부각한다. 반면, 현재 데이터가 단일 센터에 국한되어 있고, Stage 1을 위한 병변 중심 좌표 라벨링이 여전히 필요하다는 제한점을 인정한다. **향후 연구 방향**으로는 (1) Stage 2 라벨을 확대해 다기관 데이터와 다양한 MRI 프로토콜에 대한 일반화 검증, (2) Stage 1 라벨링을 반자동화하거나 완전 무라벨링(예: 자기 지도 학습, 클러스터링 기반)으로 전이, (3) 모델‑전문의 협업 시스템을 구축해 진단 정확도와 신뢰성을 동시에 향상시키는 방안, (4) 활성화 맵을 교육 도구로 활용해 초보 방사선과 의사의 학습을 지원하는 활용 사례 등을 제시한다. 결론적으로, 이 연구는 복잡한 병변 세그멘테이션 없이도 전체 유방 MRI의 전역 정보를 효과적으로 활용해 악성 여부를 정확히 판별할 수 있음을 입증했으며, 라벨링 효율성, 모델 경량성, 해석 가능성 측면에서 임상 적용 가능성이 높은 접근법으로 평가된다.