뇌 병변 자동 분할을 위한 양측 대칭 활용 기법

초록

본 논문은 건강한 뇌가 보이는 좌우 대칭성을 이용해 병변 영역을 강조하는 방법을 제안한다. MRI 영상을 자체적으로 좌우 반전시킨 뒤 비선형 정합(reflective registration)을 수행해 각 voxel의 대칭 위치를 찾고, 그 주변 패치를 추가 특징으로 CNN에 입력한다. 두 가지 2‑D CNN(TwoPathCNN, Wider2dSeg)에 적용한 결과, 비선형 대칭 특징을 넣었을 때 Dice 점수가 9~13%p 상승하며 기존 방법보다 현저히 향상됨을 ISLES‑2015 SISS 데이터셋으로 검증하였다.

상세 분석

이 연구는 뇌 영상에서 좌우 대칭이라는 생물학적 제약을 정량적 특징으로 전환하는 혁신적인 접근을 제시한다. 먼저 원본 MRI(FLAIR, DWI, T1, T1‑contrast)를 좌우 반전시켜 중간면을 기준으로 대칭 이미지를 만든다. 이후 ANTs의 SynQuick 파이프라인을 이용해 두 단계(선형) 혹은 세 단계(선형 + 비선형 SyN) 정합을 수행한다. 비선형 정합은 변형이 복잡한 해부학적 차이를 보정해 실제 대칭점 위치를 더 정확히 찾아내며, 이는 정규화된 강도 차이(Symmetry Difference Image, SDI)를 계산하는 데 핵심이다. SDI는 각 voxel의 강도와 그 대칭 voxel의 강도 차이를 나타내며, 병변이 존재하면 큰 차이를, 정상 영역에서는 거의 0에 가까운 값을 가진다. 이러한 차이 정보를 기존 4채널 입력에 추가해 8채널 텐서로 확장함으로써 CNN은 “대칭 불일치”라는 새로운 신호를 학습한다.

두 개의 2‑D CNN 아키텍처는 각각 다른 설계 철학을 갖는다. TwoPathCNN은 로컬·글로벌 경로를 병렬로 두어 작은 패치(33×33)만을 사용하고, Wider2dSeg는 더 깊은 16계층 구조와 다중 스케일 다운샘플링·업샘플링을 통해 넓은 수용 영역을 확보한다. 실험에서는 7‑fold 교차 검증을 동일한 하이퍼파라미터와 데이터 샘플링 전략으로 수행했으며, 학습 시간은 약 6시간, 추론은 30초 내외였다. 결과는 두 모델 모두 비선형 대칭 특징(NLSymm) 추가 시 Dice 평균이 크게 상승했음을 보여준다. 특히 Wider2dSeg는 깊은 네트워크 특성상 대칭 정보를 더 효과적으로 활용해 Dice가 0.49→0.62로 13%p 상승했다. 정밀도와 재현율도 전반적으로 개선되었으며, 비선형 정합이 선형 정합(LSymm)보다 일관되게 우수함을 확인했다.

이 방법의 강점은 템플릿‑프리이며, 개별 환자 이미지에만 정합을 수행한다는 점이다. 따라서 새로운 데이터셋이나 다른 병변(종양, 외상 등)에도 손쉽게 적용 가능하다. 그러나 현재는 2‑D CNN에만 적용했으며, 3‑D 네트워크와 결합했을 때 메모리·연산 비용이 어떻게 변할지는 추가 연구가 필요하다. 또한 정합 단계가 전체 파이프라인에 약 1~2분 정도의 부가 시간을 요구하므로, 실시간 임상 적용을 위해 가벼운 정합 알고리즘이나 사전 학습된 대칭 변환 모델이 탐색될 수 있다.