프롬프트 기반 강화학습 전립선암 최소 입력 분할

전립선암 진단과 치료 계획에 있어 MR 영상 기반 정확한 종양 경계 분할은 필수적이다 그러나 종양의 미세하고 다양한 영상학적 표현, 촬영 프로토콜의 차이, 전문가 인력의 부족 등으로 인해 일관된 해석이 어렵다 기존의 자동화 분할 방법은 대규모 고품질 라벨링 데이터에 의존하지만 라벨링 비용과 전문가 간 변이 때문에 데이터 자체가 불완전하고 편향될 위험이 있다 반면 완전 수동 분할은 정확하지만 시간과 인력이 과다하게 소모된다 이러한 문제점을 해결하고자 연구팀은 사용자 제공 포인트 프롬프트만으로도 높은 정확도의 분할을 가능하게 하는 프롬프트 가능한 강화학습 기반 프레임워크를 설계하였다 프레임워크는 크게 세 부분으로 구성된다 첫 번째는 이미지와 시드 포인트를 입력받아 비파라미터적 영역 성장 연산을 수행하는 모듈이다 이 모듈은 주변 픽셀의 강도 표준편차와 서브넷워크가 제공하는 엔트로피 값을 기준으로 새로운 픽셀을 포함시켜 초기 마스크를 만든다 두 번째는 서브넷워크로, 완전 지도 학습을 통해 각 voxel에 대한 암 가능성 확률을 예측하고 이를 통해 엔트로피 맵을 생성한다 이 맵은 불확실성이 높은 영역을 식별하는 데 사용된다 세 번째는 강화학습 에이전트이다 에이전트는 현재 이미지와 마스크를 상태로 받아 다음 시드 포인트를 선택하는 정책을 학습한다 선택된 시드 포인트는 다시 영역 성장 모듈에 전달되어 마스크가 갱신된다 이 과정은 마스크가 수렴하거나 사전에 정의된 최대 반복 횟수에 도달할 때까지 반복된다 보상 함수는 Dice 손실 감소와 엔트로피 보상의 두 요소로 구성되며, β 파라미터를 통해 탐색과 활용의 비중을 조절한다 이를 통해 에이전트는 정확도가 낮은 지역을 적극적으로 탐색하면서도 전체적인 분할 품질을 향상시킨다 학습 단계에서는 정책 그래디언트 기반 최적화 알고리즘을 적용하여 에이전트의 파라미터를 업데이트한다 서브넷워크는 별도로 Dice 손실을 최소화하도록 학습된 후 고정되어 사용된다 실험에서는 두 개의 공개 전립선암 MR 데이터셋인 PROMIS와 PICAI를 활용하였다 각각 5백여 건과 1천여 건의 환자 데이터를 포함하며, 다중 채널(T2W, DWI, ADC) 정보를 사용하였다 초기 시드 포인트는 훈련 시 무작위로 샘플링했으며, 테스트 시에는 사용자가 하나의 포인트만 제공하면 된다 결과는 기존 최첨단 자동화 모델 대비 Dice 점수에서 각각 약 9.9 퍼센트와 8.9 퍼센트 향상을 보였으며, 인간 방사선과 전문의가 수행한 수동 분할과 거의 동일한 수준에 도달했다 또한 사용자 입력이 한 번만 필요하므로 전체 주석 시간은 기존 수동 작업 대비 10배 이상 감소하였다 이 연구는 강화학습을 활용한 샘플별 최적화가 의료 영상 분할에 큰 잠재력을 가지고 있음을 입증한다 또한 프롬프트 기반 인터페이스를 통해 전문가의 작업 부담을 크게 경감시키면서도 높은 정확도를 유지할 수 있음을 보여준다 향후 연구에서는 서브넷워크의 사전 학습 모델 활용, 다양한 암종 및 영상 모달리티 확장, 실시간 임상 적용을 위한 최적화 등을 진행할 계획이다