뇌 이동 보정을 위한 MRI 초음파 정합 방법 평가 CuRIOUS2018 챌린지

초록

본 논문은 뇌종양 수술 중 발생하는 뇌 이동을 보정하기 위해, 수술 전 MRI와 수술 중 초음파(iUS)를 정합하는 알고리즘을 평가한 CuRIOUS2018 챌린지의 데이터셋, 실험 설계, 평가 지표 및 결과를 종합적으로 제시한다. 공개된 RESECT 데이터베이스를 사전 학습에 활용하고, 동일한 프로토콜로 수집된 10개의 테스트 케이스에 대해 6개의 완전 자동 알고리즘을 비교하였다. 정량적 지표인 평균 표면 거리(ASD)와 Dice 계수를 중심으로 성능을 순위화했으며, 각 팀의 접근 방식과 한계, 향후 연구 방향을 논의한다.

상세 분석

CuRIOUS2018 챌린지는 뇌 수술 중 실시간으로 발생하는 뇌 이동을 정밀하게 추적·보정하기 위한 MRI‑iUS 정합 기술의 현주소를 객관적으로 파악하고자 설계되었다. 데이터는 RESECT 데이터베이스(전임상 MRI와 iUS, 수술 전·후 병변 라벨링)와 동일한 프로토콜로 수집된 10개의 테스트 케이스로 구성되었으며, 모든 영상은 동일한 해상도와 좌표계로 전처리되었다. 참가 팀은 사전 제공된 훈련 세트로 모델을 학습한 뒤, 테스트 세트에 대해 전혀 인간 개입 없이 자동으로 정합을 수행해야 했다. 평가 지표는 두 가지 주요 측면으로 나뉜다. 첫째, 정합된 MRI와 iUS 사이의 구조적 일치를 나타내는 평균 표면 거리(ASD)와 Dice 유사도 계수이다. 둘째, 임상적 의미를 고려한 목표 부위(종양, 주요 혈관)의 위치 오차와 재절제 경계의 정확도이다. 6팀의 접근 방식은 크게 두 축으로 구분된다. 하나는 전통적인 변형 모델(디피 레지스트리, B‑spline)과 상호 정보 기반 최적화를 결합한 방법이며, 다른 하나는 딥러닝 기반의 3‑D CNN 혹은 변형 자동 인코더를 활용해 직접 변형 필드를 예측하는 방식이다. 결과적으로 딥러닝 기반 팀이 평균적으로 낮은 ASD(≈1.2 mm)와 높은 Dice(≈0.85)를 기록했지만, 변형이 큰 경우(예: 큰 종양 절제 후) 전통적 방법이 더 안정적인 성능을 보이는 경우도 관찰되었다. 또한, 데이터 양이 제한적인 상황에서 딥러닝 모델이 과적합 위험에 노출되는 점이 지적되었다. 전체적으로는 정합 정확도가 2 mm 이하로 향상된 것이 임상적 의사결정에 충분히 유의미함을 시사한다.