뇌 변형 보정을 위한 딥 바이오메카니컬 보간기

초록

본 논문은 수술 중 발생하는 뇌 이동을 보정하기 위해, 희소한 키포인트 매칭으로부터 물리적으로 타당한 고밀도 변위장을 생성하는 딥러닝 기반 보간기를 제안한다. 대규모 바이오메카니컬 시뮬레이션으로 만든 합성 변형 데이터를 이용해 잔차 3D U‑Net을 학습시켰으며, 기존 선형·TPS 보간에 비해 평균 제곱 오차를 절반 수준으로 감소시키면서 추론 시간은 거의 증가하지 않는다.

상세 분석

이 연구는 기존 키포인트 기반 뇌 등록 방법이 단순 기하학적 보간(선형, Thin‑Plate Spline)만을 사용해 물리적 타당성을 놓치는 문제를 해결하고자 한다. 먼저 저자들은 UPenn‑GBM 데이터셋의 162명 환자에 대해, Meshless Total Lagrangian Explicit Dynamics(MTLED) 알고리즘을 활용해 중력·뇌 절제에 의한 변형을 시뮬레이션하고, 각 환자당 1~3개의 변위장을 생성해 총 204개의 합성 변형 데이터를 구축하였다. 이 과정에서 SynthSeg를 이용해 정상 조직·뇌척수액·두개골을 분할하고, 3D SIFT로 해부학적 의미가 있는 수백 개의 키포인트를 추출한 뒤, 무작위로 M개의 키포인트(실험에서는 20개)만 선택해 희소 변위 벡터 집합을 만든다. 초기 변위장은 선형 보간 또는 TPS 보간으로 밀도 있게 확장하고, 이를 입력으로 잔차 3D U‑Net(4단계 해상도, SE 블록, 인스턴스 정규화, LeakyReLU)을 통해 정제한다. 네트워크는 fθ(Ipre,ϕinit)=ϕinit+εθ(Ipre,ϕinit) 형태의 잔차 학습을 채택해, 노이즈(초기 보간 오차)를 예측하도록 설계되었다. 손실 함수는 MSE와 함께, 비종양 영역에서 음의 Jacobian determinant를 억제하는 정규화 항을 포함한다(λreg=50). 이는 변형의 국소 방향 일관성을 보장하고, 물리적으로 비현실적인 압축을 방지한다. 실험에서는 160×192×144 크기로 정규화된 ceT1 영상을 사용했으며, Adam 옵티마이저(learning rate 5e‑4)로 100 epoch, 배치 1로 학습하였다. 평가 지표는 전체 뇌와 종양 부위의 MSE, 최대 오류, HD95, 비양성 Jacobian 비율, 추론 시간 등을 포함한다. 결과는 선형 보간 대비 MSE를 10.7→3.7 mm²(≈65% 감소), TPS 대비 6.5→3.4 mm²(≈48% 감소)로 크게 개선했으며, 비양성 Jacobian 비율도 유사 수준을 유지하면서 추론 시간은 1.8 s(선형)·0.58 s(TPS) 수준으로 크게 늘어나지 않았다. 또한 키포인트 수를 5→50개까지 늘렸을 때도 제안 방법이 일관된 성능 향상을 보였으며, 잔차 네트워크와 Jacobian 정규화 각각이 성능에 기여함을 Ablation 실험을 통해 확인하였다. 전반적으로 물리 기반 시뮬레이션 데이터와 딥러닝 보간기의 결합이, 희소 키포인트만으로도 실제 수술 상황에 근접한 변형을 재현할 수 있음을 입증한다.