입방 퍼시스턴트 호몰로지를 이용한 MRI 무학습 분할
본 연구는 위상 데이터 분석(Topological Data Analysis)에 기반한 무학습(train-free) MRI 분할 프레임워크를 탐구합니다. 이 파이프라인은 세 단계로 진행됩니다. 먼저 자동 임계값 설정을 통해 분할할 전체 객체를 식별하고, 다음으로 위상이 미리 알려진 특징적인 부분 집합을 감지하며, 마지막으로 분할의 다양한 구성 요소를 추론합니다. 핵심 요소는 퍼시스턴스 다이어그램(persistence diagram)에서 근사 대표 주기(approximate representative cycle)를 추출하는 것입니다. 이는 퍼시스턴트 특징(persistent feature)과 해부학적 구성 요소(anatomical component) 간의 해석 가능한 연결 고리를 제공합니다. 방법론의 범위를 명확히 하기 위해, 우리는 기본 위상 및 강도 가정을 명시하고, 실제 데이터에서 이 가정들이 언제 유효한지 정량화하며, 일반적인 실패 모드를 분석합니다. 우리는 교모세포종(glioblastoma) 및 태아 피질판(fetal cortical plate) 분할에 이 접근 방식을 평가했으며, 비지도 학습 및 딥러닝 기반의 참조 모델들과 비교했습니다. 이 방법은 대규모 주석 데이터셋 없이 작동하므로 데이터가 부족한 환경에 매우 적합합니다. 또한, 이 방법은 해석 가능한 기준선(interpretable baseline)을 제공하며, 전문가의 정제(expert refinement) 또는 학습 기반 파이프라인을 위한 실용적인 초기화(practical initialization) 도구로 활용될 수 있습니다.