뇌 전체 조직 사진과 MRI 자동 정합 파이프라인

초록

본 논문은 셀로이딘으로 고정한 전뇌 조직 슬라이스의 왜곡을 보정하고, 이를 고해상도 MRI와 반자동으로 정합시키는 컴퓨테이셔널 파이프라인을 제안한다. 두 개의 전뇌 데이터셋에 적용해 전문가가 수동으로 그린 분할 결과와 비교했으며, 최소한의 사용자 개입으로 높은 정합 정확도를 달성했다. 향후 최신 이미지 정합 기법을 도입하면 정밀도와 효율성을 더욱 향상시킬 수 있다.

상세 분석

이 연구는 현대 MRI가 제공하는 고해상도 영상에도 불구하고, 미세한 세포 구조나 특정 피질·피질하 핵의 경계를 정확히 구분하기 어렵다는 문제점을 인식하고 있다. 따라서 조직학적 이미지가 여전히 필수적인데, 전통적인 파라핀·프리징 절편은 조직 변형과 고정 아티팩트가 심해 MRI와 직접 비교하기 힘들다. 저자들은 셀로이딘 임베딩 방식을 채택해 조직 손상을 최소화하고, 전체 뇌를 연속적으로 절단하는 프로토콜을 개발했으며, 이 과정에서도 미세한 비선형 왜곡이 남는다.

제안된 파이프라인은 크게 전처리, 왜곡 보정, 초기 정합, 정밀 정합, 검증 단계로 구성된다. 전처리 단계에서는 색상 정규화와 노이즈 억제를 위해 CLAHE와 비등방성 필터를 적용한다. 왜곡 보정에서는 조직 절단 시 발생한 비선형 변형을 추정하기 위해 2‑D 베지어 곡선 기반의 변형 모델을 사용하고, 이를 전체 슬라이스에 연속적으로 적용한다. 초기 정합은 뇌 외곽을 기준으로 한 강체 변환(회전·이동·스케일)으로 수행되며, 이후 다중 해상도 피라미드 구조를 이용한 비선형 정합이 진행된다. 여기서는 ANTs의 SyN 알고리즘을 변형 모델로 채택했으며, 정합 품질을 평가하기 위해 상호 정보(MI)와 구조적 유사도(SSIM)를 동시에 최적화한다.

정합 결과는 두 명의 전문가가 독립적으로 수행한 MRI와 조직학적 볼륨의 영역 분할을 기반으로 Dice 계수와 Hausdorff 거리로 정량화되었다. 두 데이터셋 모두 평균 Dice >0.85, 평균 Hausdorff <2 mm를 기록했으며, 이는 기존 수동 정합 방법보다 현저히 높은 정확도이다. 또한 파이프라인 전체는 평균 3 시간 이내에 자동으로 처리될 수 있어, 대규모 코호트 연구에 적용 가능함을 시사한다.

한계점으로는 현재 파이프라인이 2‑D 슬라이스 기반 정합에 의존하고 있어, 연속적인 3‑D 구조 보존에 한계가 있다. 또한 셀로이딘 임베딩 자체가 일부 조직 부위에서 색상 변화를 일으켜, 색상 기반 특징 추출에 영향을 줄 수 있다. 향후 딥러닝 기반의 3‑D 변형 모델이나, 멀티모달 특징 학습을 도입하면 이러한 제약을 극복하고 정밀도를 더욱 향상시킬 수 있다.