의료 영상 분할 nnU-Net과 OvSeg를 활용한 유방암 및 난소암 분할

의료 영상 분할 여정: nnU-Net과 OvSeg를 활용한 유방암 및 난소암 분할

서론

본 문서는 사전 훈련된 딥러닝 모델을 활용하여 유방암 및 난소암 의료 영상 분할을 시도하고, 그 과정에서 겪었던 다양한 기술적 문제들과 해결 과정을 기록한 여정입니다. 처음에는 nnU-Net 프레임워크를 사용하여 유방암 종양 분할을 시도했고, 이후에는 CT 기반 난소암 분할을 위해 ovseg 라이브러리를 탐색했습니다. 이 기록이 비슷한 작업을 수행하는 분들께 작은 도움이 되기를 바랍니다.

---

1부: nnU-Net을 이용한 유방암 종양 분할 (MAMA-MIA 모델)

첫 번째 목표는 MAMA-MIA 프로젝트(Dataset ID: 101)에서 제공하는 사전 훈련된 nnU-Net 모델을 사용하여 유방암 DCE-MRI 영상에서 종양 영역을 분할하는 것이었습니다.

1.1. 목표 및 초기 설정

• 분할 대상: 유방암 DCE-MRI 영상 내 종양 영역
• 사용 모델: MAMA-MIA (Dataset ID: 101) nnU-Net 사전 훈련 모델
• 초기 환경 준비:
  • 보유한 DICOM 데이터를 NIfTI 형식(.nii.gz)으로 변환했습니다. 이 과정은 사용자 정의 Python 스크립트(preprocess_dicom_to_nifti.py)를 사용했으며, MONAI 라이브러리를 통해 이미지 로딩, Orientation 조정 (RAS), Spacing 조정 ((1.5, 1.5, 2.0)) 등의 기본 전처리를 수행했습니다.
  • nnU-Net v2를 pip install nnunetv2 명령으로 설치했습니다.
  • nnU-Net 작동에 필수적인 환경 변수(nnUNet_results, nnUNet_raw, nnUNet_preprocessed)를 설정했습니다. Windows 환경이었기에 CMD에서는 set 명령어를 사용하고, 장기적으로는 시스템 속성의 환경 변수 편집기를 통해 영구 설정했습니다.
    • nnUNet_results: 모델 가중치 및 예측 결과 저장 경로
    • nnUNet_raw: 원본 데이터셋 경로 (주로 훈련 시)
    • nnUNet_preprocessed: nnU-Net 내부 전처리 데이터 저장 경로

1.2. MAMA-MIA 모델 준비 및 관련 트러블슈팅

모델을 다운로드하고 nnU-Net이 인식할 수 있도록 배치하는 과정에서 몇 가지 문제가 있었습니다.

• 모델 다운로드: MAMA-MIA 프로젝트의 Synapse 저장소에서 모델 가중치 파일(full_image_dce_mri_tumor_segmentation.zip)을 다운로드했습니다.
• 폴더 구조 문제 및 해결:
  • 초기 오류: FileNotFoundError (예: dataset.json 또는 checkpoint_final.pth 찾을 수 없음) 발생.
  • 원인: 다운로드한 모델 파일들을 nnUNet_results 폴더 내에 nnU-Net이 예상하는 정확한 하위 폴더 구조로 배치하지 않았기 때문입니다. nnU-Net은 특정 트레이너 및 플랜 이름으로 구성된 경로(예: Dataset101_BreastCancerTumor/nnUNetTrainer__nnUNetPlans__3d_fullres/)에서 모델 관련 파일을 찾습니다.
  • 해결 과정:
    1. nnUNet_results 폴더 바로 아래에 Dataset101_BreastCancerTumor (또는 모델 ID 101에 해당하는 정확한 폴더명) 폴더를 생성했습니다.
    2. 그 안에 다시 오류 메시지에 명시된 대로 nnUNetTrainer__nnUNetPlans__3d_fullres 라는 하위 폴더를 만들었습니다.
    3. 압축 해제한 모델 파일들(각 fold_X 폴더, dataset.json, plans.json 등)을 이 가장 안쪽 폴더로 이동시켰습니다.
• dataset.json 확인: 모델과 함께 제공된 dataset.json 파일을 통해 모델이 단일 채널(“T1” 영상) 입력을 사용하며, 출력 마스크에서 배경은 0, 종양은 1로 레이블링된다는 것을 확인했습니다.

1.3. nnU-Net 입력용 NIfTI 이미지 준비 및 트러블슈팅

모델 준비 후, 실제 NIfTI 이미지를 입력으로 사용하는 과정에서도 문제가 발생했습니다.

1.3.1. “0 cases found” 오류

• 원인: nnUNetv2_predict 명령어의 -i 옵션으로 지정된 입력 폴더에 nnU-Net이 직접 읽을 수 있는 .nii.gz 파일이 없었습니다. 실제 NIfTI 파일들이 다른 압축 파일 내부에 한 번 더 압축되어 있었습니다.
• 해결: Python 스크립트 (unzip_nifti_script.py)를 작성하여, 환자별 폴더 내의 각 압축 파일을 자동으로 해제하고, 그 안에 있는 실제 .nii.gz 파일들만 추출하여 별도의 폴더 (nifti_input_for_nnunet_extracted)에 플랫(flat)하게 저장했습니다. 이 스크립트는 zipfile 모듈을 사용하고, 파일명 중복을 피하기 위한 로직을 포함했습니다.

1.3.2. IndexError: list index out of range 오류

• 원인: “0 cases found” 오류 해결 후, nnU-Net이 파일명에서 케이스 식별자(case identifier)를 파싱하는 과정에서 이 오류가 발생했습니다. 이는 파일명이 nnU-Net이 예상하는 특정 패턴(특히 _XXXX.nii.gz 형태의 접미사 및 그 길이)과 일치하지 않았기 때문입니다.
• 해결: nifti_input_for_nnunet_extracted 폴더 내의 모든 .nii.gz 파일명 끝에 _0000을 추가하여 (예: 기존파일명_0000.nii.gz) nnU-Net의 단일 모달리티 파일명 규칙을 따르도록 Python 스크립트로 일괄 변경했습니다.

1.4. nnUNetv2_predict 실행 및 추가 트러블슈팅

데이터 준비가 완료된 후에도 예측 실행 과정에서 여러 오류를 만났습니다.

1.4.1. RuntimeError: Cannot access accelerator device when none is available.

• 원인: Anaconda 환경에 설치된 PyTorch가 CPU 전용 버전(torch_version+cpu)이어서 CUDA GPU를 인식하지 못했습니다.
• 해결:
  1. gpu.py 테스트 스크립트로 torch.cuda.is_available()이 False임을 확인했습니다.
  2. 기존 CPU 버전 PyTorch를 제거 (pip uninstall torch ...).
  3. PyTorch 공식 웹사이트에서 CUDA 지원 버전(예: CUDA 11.8)의 PyTorch 설치 명령어를 확인하여 Anaconda 환경에 재설치했습니다 (conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia).
  4. 재설치 후 torch.cuda.is_available()이 True로 변경됨을 확인했습니다.

1.4.2. numpy.core._exceptions._ArrayMemoryError: Unable to allocate ... GiB for an array ... (시스템 RAM 부족)

• 원인: GPU 사용이 가능해진 후에도, 특정 입력 이미지를 전처리(특히 리샘플링)하는 과정에서 매우 큰 중간 배열(예: 15.3 GiB의 float64 배열)을 생성하려다 시스템 RAM 부족으로 오류가 발생했습니다.
• 시도된 해결책 및 과정:
  1. -device cpu 옵션: 성공했으나, 처리 속도가 매우 느려 다른 방법을 찾기로 했습니다.
  2. --disable_tta 옵션: GPU VRAM 절약에는 도움이 되지만, 시스템 RAM 문제에는 직접적인 효과가 없었습니다.
  3. 프로세스 수 제한 시도 (잘못된 인자명): -num_processes_preprocessing 1 -num_processes_segmentation_export 1 옵션을 사용했으나, unrecognized arguments 오류가 발생했습니다.
  4. 프로세스 수 제한 (올바른 인자명): usage 메시지를 참고하여 -npp 1 -nps 1로 수정하여 실행했으나, 여전히 일부 매우 큰 이미지에서 RAM 부족 오류가 재현되었습니다.
  5. “사전 검사(Pre-flight Check)” 스크립트 도입: RAM 사용량 초과가 예상되는 이미지를 nnUNetv2_predict 실행 전에 미리 식별하여 제외/분리하는 Python 스크립트 (check_images.py)를 작성하고 실행했습니다.
     • 이 스크립트는 MAMA-MIA 모델의 plans.json 파일에서 목표 리샘플링 간격(예: [1.0, 1.0, 1.0])을 읽어옵니다.
     • 각 입력 NIfTI 파일의 원본 크기/간격을 SimpleITK로 읽어, 목표 간격으로 리샘플링 시 예상되는 메모리 크기를 계산합니다. (이때, 오류 로그를 참고하여 복셀당 8바이트(float64) 기준으로 계산하고, np.prod의 정수 오버플로우를 방지하기 위해 dtype=np.longlong 사용 등 계산 정확도를 높였습니다.)
     • 설정한 메모리 임계값(예: 10GiB)을 초과하는 파일은 “문제 파일”로 분류하고, “안전한” 파일들만 새 폴더(nifti_input_safe_for_nnunet_v2)로 복사했습니다.
     • 스크립트 실행 결과, 1724개 중 1514개의 “안전한” 파일이 복사되었고, 210개 파일(일부는 예상 메모리 80GiB 이상)이 제외되었습니다.

1.5. 최종 nnUNetv2_predict 명령어 (안전한 파일 대상)

“사전 검사”를 통과한 파일들이 담긴 폴더를 대상으로 다음 명령어를 사용하여 예측을 성공적으로 진행했습니다.

nnUNetv2_predict -i C:\Users\사용자ID\Desktop\modeling\nifti_input_safe_for_nnunet_v2 ^ -o C:\Users\사용자ID\Desktop\modeling\MAMA_MIA_tumor_masks_output_fold0_safe_v2 ^ -d 101 ^ -c 3d_fullres ^ -f 0 ^ -npp 1 ^ -nps 1 ^ --disable_tta ^ --save_probabilities