다기관 태아 뇌 MRI 초해상도 재구성 자동 품질 관리

초록

본 연구는 태아 뇌 MRI의 초해상도 재구성(SRR) 볼륨에 대한 자동 품질 검증 도구인 FetMRQC₍SR₎를 제안한다. 100여 개의 이미지 품질 지표(IQM)를 추출하고, 랜덤 포레스트 모델을 이용해 전문가의 전반적 품질 점수를 예측한다. OOD(Out‑of‑Domain) 실험에서 ROC AUC 0.89의 높은 성능을 보였으며, 오류의 절반 이상이 전문가 평가의 모호성에서 비롯된다는 점을 확인했다.

상세 분석

FetMRQC₍SR₎는 기존 성인 뇌 MRI용 QC 도구(MRIQC)와 태아 전용 QC 프레임워크(FetMRQC)를 결합해 설계되었다. 핵심 아이디어는 SRR 볼륨에 적용 가능한 106개의 IQM을 정의하고, 이를 기반으로 품질을 이진 분류(제외/포함)하는 랜덤 포레스트 모델을 학습하는 것이다. IQM은 영상 강도 통계, 뇌 마스크 위치, 조직별 부피·대조도, 그리고 Betti 수·Euler 특성 등 위상학적 지표를 포함한다. 위상학적 지표는 특히 태아 뇌의 복잡한 형태와 재구성 과정에서 발생하는 구조적 왜곡을 정량화하는 데 유용함을 보였다.

데이터는 스위스와 스페인, 미국의 세 기관에서 수집된 673개의 SRR 볼륨으로, 네 가지 SRR 알고리즘(SVR‑TK, NeSV‑OR, NiftyMIC, MIALSR‑TK)을 균등하게 섞어 다양한 파라미터와 입력 스택 구성을 무작위로 적용했다. 두 명의 전문가가 0–4의 연속 점수와 1을 기준으로 한 제외 임계값을 부여했으며, 98개의 샘플은 중복 평가해 신뢰성을 확보했다.

전처리 단계에서는 강도 포화와 뇌 마스크 기반 정규화를 두 가지 방식으로 시험했으며, 전자는 매우 밝은 배경 픽셀을 억제해 세분화 정확도를 높였다. 모델 학습에서는 샘플 가중치 재조정(reweighting)과 사전 예측된 아티팩트 점수를 추가 특징으로 활용하는 두 변형을 비교했다. 재조정은 품질 경계(점수 = 1) 근처의 불확실한 샘플에 낮은 가중치를 부여해 학습 안정성을 향상시켰다.

실험은 10‑fold 교차 검증을 기반으로 인‑도메인(ID)과 세 가지 OOD 시나리오(한 사이트 제외, 한 SRR 제외, 사이트+SRR 동시 제외)를 설정해 수행했다. 성능 평가지표는 ROC AUC, 균형 정확도(BA), 민감도, 특이도였으며, 특히 특이도가 낮은 품질을 좋은 것으로 오분류하는 오류를 최소화하는 것이 목표였다.

결과적으로, 전처리와 위상학적 IQM을 모두 포함한 모델이 AUC 0.93, BA 0.85, 특이도 0.88을 달성했으며, 재조정 변형도 비슷한 수준을 보였다. 반면, 단순 통계 기반 베이스라인은 무작위 수준에 머물렀다. OOD 실험에서도 ROC AUC가 0.85–0.90 사이로 유지돼 도메인 이동에 대한 강인성을 확인했다. 오류 분석에서는 전체 오류의 45 %가 전문가 평가의 모호성(예: 경계점수 1에 가까운 경우)에서 비롯됐으며, 나머지는 인간이 놓치기 쉬운 미세 아티팩트를 모델이 감지한 것으로 해석됐다.

이 연구는 딥러닝이 아닌 전통적인 머신러닝(랜덤 포레스트)과 풍부한 도메인 특화 특징을 결합함으로써, 데이터 양이 제한적이고 이질적인 의료 영상 분야에서 실용적인 QC 솔루션을 구현할 수 있음을 보여준다. 또한, 공개된 코드와 데이터셋은 향후 연구자들이 동일한 벤치마크에서 새로운 방법을 비교·개선할 수 있는 기반을 제공한다.