어텐션 기반 다중 인스턴스 학습을 이용한 자기공명영상에서 크론병 환자의 염증 활성도 분류 = Attention-based Multiple Instance Learning for Classification of Inflammatory Activity in Crohn’s Disease Patients from MR Enterography

국문 초록 (Abstract)

본 연구는 MRE 영상으로부터 크론병 환자의 염증 활성도를 자동으로 평가하기 위해, 파운데이션 모델 DINOv2와 어텐션 기반 다중 인스턴스 학습을 결합한 딥러닝 기법을 제안한다. 제안 기법은 개별 장염증의 MRE 영상 패치를 다중 인스턴스로 처리하고, DINOv2 모델을 특징 추출기로 활용하고 Top-K 어텐션 풀링 전략을 적용하여 핵심 병변에 집중하는 과정을 통해 환자별 sMaRIA 점수를 산출한다. 208명의 환자 데이터에 대한 검증 결과, DINOv2-Small과 어텐션 기반 풀링 및 Top-K 인스턴스 선택(K=3)을 결합한 모델이 77.78%의 가장 우수한 분류 정확도를 달성하였으며, 시각화를 통해 모델이 임상적으로 유의미한 병변에 집중함을 확인하였다.

다국어 초록 (Multilingual Abstract)

This study proposes a deep learning framework that combines a foundation model, DINOv2, with an attention-based multiple instance learning (MIL) strategy to automatically assess inflammatory activity in Crohn’s disease from magnetic resonance enterography (MRE) images. The proposed method treats lesion-level MRE patches as multiple instances and employs DINOv2 as a feature extractor, followed by a Top-K attention pooling strategy to focus on clinically relevant lesions and derive patient-level sMaRIA scores. Experimental validation on a dataset of 208 patients demonstrated that the model integrating DINOv2-Small with attentionbased pooling and Top-K instance selection (K = 3) achieved the highest classification accuracy of 77.78%. Qualitative results further confirmed that the model effectively attends to clinically meaningful inflammatory regions.