뇌 MRI 해부학 분할을 위한 다중 공간 사전이 적용된 3D 딥러닝 네트워크

초록

본 논문은 기존 TPM(조직 확률 지도) 기반 방법이 병변이 있는 뇌 MRI에서 한계를 보이는 문제를 해결하고자, 3차원 컨볼루션 신경망에 세 가지 공간 사전(조직 확률 지도, 조건부 랜덤 필드, 넓은 시야(FOV) 컨텍스트)을 결합한 “Multiprior” 네트워크를 제안한다. 43명의 급성 뇌졸중 환자와 4명의 정상 피험자를 대상으로 학습·검증했으며, TPM이 가장 큰 성능 향상을 제공함을 확인했다. 또한 DeepMedic과 UNet에 동일한 TPM 사전을 추가했을 때도 성능이 개선되는 것을 보였다. 외부 검증으로 의식 장애 환자 47명에 적용해 실용성을 입증하고, 코드와 학습된 모델을 공개하였다.

상세 분석

본 연구는 뇌 MRI 해부학 분할에서 “위치”와 “형태” 정보를 어떻게 딥러닝에 효과적으로 통합할 것인가에 초점을 맞추었다. 기존 SPM·FSL 등은 TPM을 이용해 전역적인 위치 사전을 제공하지만, 병변이 있는 경우 TPM이 정상 조직을 가정하기 때문에 오류가 발생한다. 반면 DeepMedic과 같은 3D CNN은 복잡한 강도 패턴을 학습하지만, 명시적인 위치 사전이 없어서 전역적인 구조적 일관성을 보장하기 어렵다. 이를 해결하기 위해 저자들은 세 가지 사전을 동시에 학습 가능한 형태로 네트워크에 삽입하였다.

1️⃣ TPM 기반 위치 사전: 각 voxel에 대해 6개의 조직 확률값(회백질, 백질, CSF, 뼈, 피부, 배경)을 사전 등록된 TPM에서 추출하고, 이를 최종 분류기 입력에 직접 연결한다. TPM은 SPM8의 비선형 코어그리션을 통해 개인 MRI에 정렬되며, 네트워크가 학습 과정에서 이 확률값을 가중치처럼 활용한다.

2️⃣ 조건부 랜덤 필드(CRF) 형태 사전: 7개의 조직 클래스(외부 공기 포함) 사이의 인접 관계를 행렬 형태의 패널티로 정의한다. 예를 들어, 뇌 조직과 피부가 직접 맞닿는 경우는 높은 패널티를 부여하고, 동일 조직 간 연속성은 낮은 패널티를 부여한다. 학습 후 5번의 반복을 통해 초기 softmax 출력이 이 제약을 만족하도록 조정된다. 이는 전통적인 Potts 모델을 확장한 것으로, 3D 완전 연결 CRF를 구현해 멀리 떨어진 voxel 간에도 일관성을 부여한다.

3️⃣ 넓은 시야(FOV) 컨텍스트: “Detail” 경로는 17³ voxel의 작은 패치를 고해상도로 처리해 미세한 강도 패턴을 학습한다. 동시에 “Context” 경로는 57³ voxel을 3배 다운샘플링한 뒤 동일 구조의 CNN을 적용하고, 다시 3배 업샘플링해 Detail 경로와 결합한다. 이렇게 하면 전역적인 해부학적 배경(예: 두개골 내부의 검은 영역이 실제는 정맥인지 여부)을 파악할 수 있다.

네트워크 구조는 Detail, Context, Classification 세 파스로 구성된다. Detail·Context는 각각 8개의 3×3×3 conv 레이어와 LeakyReLU를 사용해 점진적으로 채널 수를 50까지 늘린다. 두 경로의 출력은 TPM 벡터와 함께 Concatenate되어 Classification 파이프(3개의 fully‑connected 레이어, 마지막 softmax)로 전달된다. 손실 함수는 Generalized Dice Loss를 채택해 클래스 불균형을 보정한다.

실험에서는 43명의 급성 뇌졸중 환자와 4명의 정상 피험자를 1 mm³ 해상도의 T1‑weighted MRI로 수집했으며, 수동 교정된 7‑클래스 라벨을 ground truth로 사용했다. 성능 평가는 Dice coefficient와 Hausdorff distance로 수행했으며, SPM, FSL, DeepMedic과 직접 비교했다. 결과는 TPM을 추가했을 때 Dice가 평균 4~6% 상승하고, 특히 병변 주변 경계에서 큰 개선을 보였다. CRF와 넓은 FOV도 각각 소폭의 이득을 제공했지만, 가장 큰 기여는 TPM이었다. 동일한 TPM 사전을 DeepMedic과 3D UNet에 삽입했을 때도 유사한 성능 향상이 확인되어, 제안된 사전 방식이 모델에 독립적임을 입증했다.

외부 검증으로 의식 장애 환자 47명에 적용했으며, 자동 분할 결과가 임상 전문가가 2D 슬라이스 기반으로 수행한 수동 분할과 통계적으로 유의미하게 동등함을 보여 실용성을 강조한다. 코드와 학습된 가중치는 GitHub에 공개돼 재현성과 확장성을 확보했다.

한계점으로는 TPM이 기존에 정상 해부학에 기반해 구축되었기 때문에, 극히 드문 해부학 변형(예: 선천적 결손)에는 여전히 오류가 발생할 수 있다. 또한 CRF의 패널티 행렬을 수동으로 설계했으며, 자동 학습 방식이 도입되면 더 유연한 형태 제약이 가능할 것으로 보인다.