의료 영상 분할을 위한 통합 딥러닝 프레임워크 MIScnn

본 논문은 의료 영상 분할을 위한 파이썬 오픈소스 프레임워크 MIScnn을 소개한다. 서론에서는 현대 의료 영상의 급증과 이에 따른 자동 분할 필요성을 강조하고, 기존의 독립형 파이프라인이 데이터셋‑특화·재현성 부족 문제를 안고 있음을 지적한다. 이를 해결하기 위해 MIScnn은 “데이터 I/O → 전처리 → 패치 추출 → 데이터 증강 → 배치 생성 → 모델 학습/예측 → 평가”의 전 과정을 모듈화하고, 높은 configurability와 open interface를 제공한다. 2.1 데이터 입력에서는 NIfTI 포맷을 기본 지원하고, 사용자 정의 I/O 모듈을 통해 DICOM·RAW 등 다양한 포맷을 연동할 수 있다. 전처리 단계는 픽셀 강도 정규화(스케일링·Z‑Score), 클리핑, 리샘플링을 옵션화해 서로 다른 스캐너·프로토콜 간의 차이를 보정한다. 다중 클래스 분할을 위해 One‑Hot 인코딩을 자동 수행한다. 2.2 패치‑와 전체 이미지 분석에서는 GPU 메모리 제한을 고려해 3D 큐브 패치(기본 128³) 혹은 2D 슬라이스 기반 학습을 선택 가능하게 하며, 작은 데이터셋의 경우 전체 3D 이미지를 직접 입력할 수도 있다. 2.3 데이터 증강은 DKFZ batchgenerators를 래핑해 회전·이동·스케일·탄성 변형·밝기·대조·감마·가우시안 노이즈 등 풍부한 변형을 제공한다. 이는 의료 영상에서 흔히 발생하는 소규모 샘플 문제를 완화한다. 2.4 샘플링·배치 생성에서는 “빈 패치 스킵” 기능으로 라벨이 전부 배경인 패치를 제외해 학습 효율을 높이며, 배치 관리에서는 전처리된 배치를 디스크에 저장해 재사용하거나, 메모리 부족 시 온‑더‑플라이 생성 모드를 지원한다. 배치 셔플링은 매 epoch마다 수행돼 과적합 위험을 감소시킨다. 또한 다중 GPU·CPU 병렬 로딩을 지원해 대규모 실험 환경에 적합하도록 설계되었다. 2.5 딥러닝 모델 생성에서는 Keras/TensorFlow 기반의 U‑Net, 3D U‑Net, Optimized High‑Resolution Dense‑U‑Net 등 최신 아키텍처를 제공한다. 모델은 레이어 수, 필터 수, 드롭아웃·배치 정규화 등 하이퍼파라미터를 자유롭게 조정 가능하며, 사용자 정의 모델을 플러그인 형태로 손쉽게 통합할 수 있다. 2.6 평가 지표로는 Dice coefficient, class‑wise Dice, Jaccard Index, Tversky loss 등 의료 영상 분할에 특화된 지표를 제공한다. 특히 Tversky loss는 클래스 불균형에 강인해 바이너리·멀티클래스 모두에 적용 가능하다. 2.7 모델 활용 단계에서는 학습, 예측, 교차 검증 자동화 등을 API 수준에서 제공한다. 모델은 저장·로드가 가능해 사전 학습된 가중치를 재사용하거나 공유할 수 있다. 실험에서는 Kidney Tumor Segmentation Challenge 2019(KITS19) 데이터셋(300개의 CT 스캔, 다중 클래스)에 3D U‑Net을 적용해 5‑fold 교차 검증을 수행하였다. 실험 결과, 몇 줄의 파이썬 코드만으로 데이터 전처리·패치 추출·증강·학습·평가까지 전 과정을 자동화했으며, 기존 독립형 파이프라인 대비 구현 시간과 코드 복잡도가 크게 감소함을 보여준다. 논문의 주요 기여는 (1) 의료 영상 특화 전처리·증강·패치·배치 관리 기능을 하나의 프레임워크에 통합, (2) 모델 교체·커스터마이징을 위한 오픈 인터페이스 제공, (3) 교차 검증·다중 GPU 지원 등 실험 자동화를 통한 재현성 강화이다. 한계점으로는 현재 TensorFlow/Keras에 종속돼 PyTorch 등 다른 딥러닝 백엔드와의 호환성이 부족하고, 디스크 기반 배치 저장이 대용량 데이터셋에서 스토리지 요구량을 크게 늘릴 수 있다는 점을 들 수 있다. 향후 작업으로는 백엔드 다중 지원, 클라우드 기반 배치 스트리밍, 자동 하이퍼파라미터 탐색 기능 등을 추가해 확장성을 높일 계획이다.