놀라운 AI, 한계도 있다? SAM vs 3D U-Net 의 3D 무릎 MRI 반월상 연골 분할 성능 비교

Segment Anything Model(SAM)을 3D 무릎 MRI 반월상 연골 분할에 적용한 연구 결과, End-to-End 미세 조정 시 3D U-Net과 유사한 성능을 보였으나, 해부학적 구조의 정확도 측면에서는 3D U-Net이 우수함을 확인했습니다. 이는 SAM의 일반화 능력만으로는 모든 의료 영상 분할 작업에 적용하기 어려움을 시사하며, 특정 작업에 맞는 추가적인 전략이 필요함을 강조합니다.

최근 딥러닝 분야에서 혁신적인 발전을 이룬 Segment Anything Model (SAM) . 다양한 작업에 적용 가능한 '기반 분할 모델'로 주목받고 있습니다. 하지만 모든 분야에서 만능은 아닙니다. Oliver Mills 등 연구진이 진행한 최근 연구는 SAM의 놀라운 능력과 동시에 그 한계를 보여주는 흥미로운 결과를 제시합니다.

연구진은 SAM을 이용하여 3D 무릎 MRI 이미지에서 반월상 연골을 자동으로 분할하는 작업을 시도했습니다. 반월상 연골은 무릎 관절의 윤활 및 체중 분산에 중요한 역할을 하며, 손상 시 퇴행성 관절염으로 이어질 수 있습니다. 따라서 정확한 자동 분할은 조기 진단 및 치료에 매우 중요합니다.

연구진은 SAM과 기존의 3D U-Net을 비교 평가했습니다. 흥미롭게도, SAM의 Decoder만 미세 조정했을 때는 3D U-Net에 비해 성능이 훨씬 떨어졌습니다. Dice score는 SAM이 0.81 ± 0.03인 반면, 3D U-Net은 0.87 ± 0.03을 기록했습니다. 하지만 SAM을 End-to-End로 미세 조정했을 때는 Dice score 0.87 ± 0.03을 달성하며 3D U-Net과 유사한 성능을 보였습니다. 이는 2019 IWOAI Knee MRI Segmentation Challenge의 최고 성능(0.88 ± 0.03)과도 매우 유사한 수준입니다.

하지만 Hausdorff Distance를 기준으로 비교했을 때는 SAM이 3D U-Net보다 반월상 연골 형태를 정확하게 맞추는 데는 부족함을 보였습니다. 이는 미세한 해부학적 구조와 낮은 대비, 불명확한 경계를 가진 3D 의료 영상 분할 작업에서는 SAM의 일반화 능력만으로는 충분하지 않음을 시사합니다.

결론적으로, 이 연구는 SAM의 뛰어난 잠재력과 함께, 특정 의료 영상 분할 작업에서는 기존 모델에 비해 성능이 떨어질 수 있음을 보여줍니다. SAM의 성공적인 적용을 위해서는 단순히 모델의 일반화 능력에 의존하기보다는, 특정 작업에 맞춘 미세 조정 및 추가적인 전략이 필요함을 강조합니다. 앞으로 더욱 정교한 알고리즘 개발과 데이터 확보를 통해 AI 기반 의료 영상 분석의 정확도를 높이는 연구가 지속적으로 필요합니다.