뇌 추출 없이 한 번에 완성하는 정량적 감수성 매핑

초록

본 논문은 뇌 추출과 배경 위상 제거 과정을 생략하고, 전체 위상 영상을 입력으로 직접 자기 감수성 지도를 복원하는 딥러닝 모델 autoQSM을 제안한다. 수정된 U‑Net 구조와 209명의 정상인 데이터를 활용한 패치‑단위 학습을 통해, 기존 2‑step QSM 방법으로 만든 레이블을 지도학습한다. 실험 결과, 인간 및 마우스 뇌, 병변이 있는 뇌 등 훈련 데이터와 다른 도메인에서도 높은 정확도와 빠른 재구성을 보여준다.

상세 분석

Quantitative Susceptibility Mapping(QSM)은 MRI gradient‑echo 위상 데이터를 이용해 조직의 자기 감수성을 정량화하는 기술이다. 전통적인 파이프라인은 위상 언래핑, 뇌 마스크 추출, 배경 위상 제거, 그리고 ill‑posed inverse problem을 해결하는 단계로 구성된다. 특히 뇌 마스크 추출 과정에서 발생하는 경계 침식(edge erosion)과 뇌 외부 위상 데이터 부재는 뇌 표면 근처, 즉 피질층과 표면 정맥 등에서 감수성 추정 오차를 크게 만든다. 이러한 한계를 극복하기 위해 저자들은 “autoQSM”이라 명명한 end‑to‑end 학습 기반 모델을 설계하였다. 핵심 아이디어는 전체 위상 영상을 그대로 네트워크에 입력하고, 중간에 뇌 마스크나 배경 위상 제거와 같은 전처리 과정을 생략함으로써, 네트워크가 물리적 전파 모델(즉, 자기장 교란 ↔ 감수성 관계)을 스스로 학습하도록 하는 것이다.

네트워크 아키텍처는 기존 U‑Net을 변형한 형태로, 인코더‑디코더 구조에 스킵 연결을 유지하면서도 3D 컨볼루션 블록을 다중 스케일로 배치한다. 입력은 3D 패치(예: 64×64×64) 형태이며, 출력은 동일 크기의 감수성 맵이다. 학습 라벨은 기존 2‑step QSM(예: MEDI + iLSQR)으로부터 얻은 고품질 QSM을 사용했으며, L1 손실과 구조적 유사도(SSIM) 손실을 결합해 정밀도와 구조 보존을 동시에 최적화하였다. 데이터는 11세에서 82세까지의 209명 건강한 피험자를 이용해 약 1,200,000개의 패치를 추출, 데이터 다양성을 확보하였다.

일반화 능력을 검증하기 위해 저자들은 (1) 마우스 뇌 7T 데이터, (2) 병변(뇌종양, 외상) 포함 인간 데이터, (3) 다른 스캐너와 시퀀스 파라미터를 사용한 데이터 등을 테스트하였다. 결과는 기존 2‑step 방법과 비교했을 때, 특히 뇌 표면·척수·신경 섬유와 같은 경계 부근에서 감수성 값이 더 정확히 복원되었으며, 정량적 지표(NRMSE, SSIM)에서도 유의미한 개선을 보였다. 또한, 전통적인 파이프라인이 수분에서 수십 분이 소요되는 반면, autoQSM은 GPU 기반 추론으로 1~2초 내에 전체 뇌 볼륨을 처리할 수 있어 임상 적용 가능성을 크게 높인다.

한계점으로는 레이블이 기존 알고리즘에 의존한다는 점, 즉 “teacher‑student” 구조에서 teacher가 만든 오류가 student에게 전이될 가능성이 있다. 또한, 매우 높은 자기장(≥7T)이나 비정상적인 위상 왜곡(금속 임플란트 등)에서는 추가적인 정규화가 필요할 수 있다. 향후 연구에서는 완전한 unsupervised 혹은 물리 기반 손실을 도입해 레이블 의존성을 감소시키고, 멀티‑contrast·멀티‑스캔 데이터에 대한 도메인 적응 기법을 탐색할 여지가 있다.