의료 영상 AI 프레임워크 MONAI(monai.io)를 이용해 CT 스캔 볼륨에서 비장을 자동으로 분할하는 3D 딥러닝 파이프라인을 구현하는 방법이 공개됐다. Medical Segmentation Decathlon의 Task09 비장 데이터셋을 활용해 데이터 전처리부터 모델 학습·추론·결과 시각화까지 전 과정을 다루는 실습 형식이다.
파이프라인은 CT 볼륨 로딩, 방향 정렬, 복셀 간격 정규화, 강도 구간 조정, 전경 자르기, 패치 기반 샘플링 순서로 전처리를 수행한다. 학습 단계에서는 무작위 뒤집기·회전·강도 이동 등 데이터 증강을 적용하며, 3D UNet 모델에 DiceCE 손실 함수와 AdamW 옵티마이저, 코사인 어닐링 학습률 스케줄러를 조합한다. GPU를 활용하는 경우 혼합 정밀도 학습(mixed precision training)으로 메모리 사용과 연산 속도를 최적화한다.
검증은 슬라이딩 윈도우 추론 방식으로 이루어지며, 다이스 계수(Dice score)를 기준으로 최고 성능 체크포인트를 저장한다. 학습이 완료되면 CT 슬라이스·실제 레이블·모델 예측을 나란히 시각화해 정성적 성능을 직관적으로 확인할 수 있다. 이 실습에서 사용한 빠른 실행 설정은 15 에포크로 제한하지만, 200 에포크 전체 학습 옵션도 제공한다.
MONAI는 의료 영상 딥러닝에 특화된 오픈소스 프레임워크로, 의료 영상의 고유한 전처리 요구사항을 표준화된 파이프라인으로 처리할 수 있도록 설계됐다. 비장 분할은 복부 장기 중 형태 변이가 크고 경계 구분이 까다로워 AI 기반 자동 분할의 대표적 벤치마크 과제로 활용된다. 의료 AI 현장에서 3D 볼륨 분할 구현 진입 장벽을 낮추는 실용적 참고 자료로 활용될 수 있다.
