초저장량 MRI에서 영아 뇌 분할을 위한 도메인 랜덤화와 라벨 정제

초록

본 연구는 고장 MRI(3 T)에서 얻은 영아 뇌 라벨을 초저장량 MRI(0.064 T)로 전이하기 위해 도메인 랜덤화(DR)와 라벨 품질 검증을 결합한 프레임워크를 제안한다. 전체 뇌 라벨을 이용한 사전학습과, 고장‑초저장량 매핑 과정에서 발생한 잘못 정렬된 라벨을 제거함으로써 ULF 데이터에 대한 일반화 성능을 크게 향상시켰으며, 다중 모델을 투표 방식으로 앙상블하여 경쟁력 있는 세그멘테이션 결과를 얻었다.

상세 분석

이 논문은 초저장량(ULF) MRI가 제공하는 저비용·휴대성의 장점을 영아 뇌 구조 세그멘테이션에 적용하고자 하는 실용적 문제에 초점을 맞춘다. 주요 도전 과제는 (1) 영아의 급격한 뇌 성장과 해부학적 변이, (2) 저장량 장비가 초래하는 낮은 SNR·해상도, (3) 고장 MRI와 ULF MRI 사이의 강한 도메인 격차이다. 저자들은 이러한 격차를 메우기 위해 두 가지 핵심 전략을 도입한다. 첫 번째는 Domain Randomization(DR)이다. 기존 SynthSeg·FetalSynthSeg에서 차용한 이미지‑라벨 합성 파이프라인을 ULF 특성에 맞게 수정했으며, 강도·대조도 변형, 강체·비강체 변형, 그리고 ULF 전용 k‑space 모션·고스팅·스파이킹 아티팩트를 랜덤하게 삽입했다. 이렇게 생성된 합성 데이터는 1 mm³ 등방성 해상도로 재샘플링돼 실제 ULF 재구성 과정을 모방한다. 두 번째는 라벨 품질 관리이다. LISA 챌린지에서 제공된 두 종류의 라벨(GT LF와 GT HF) 중, HF‑ULF 공동 등록 과정에서 오른쪽 측뇌실·꼬리핵이 잘못 정렬된 사례가 23/79건 존재함을 발견하고, 이를 ‘bad’ 샘플로 분류해 학습에서 제외하거나 별도 평가에 활용했다.

실험 설계는 크게 세 단계로 구성된다. (1) 고장 데이터(dHCP·BOBs)에서 전체 뇌 라벨(LISA) 혹은 확장 라벨(LISA +)을 사용해 두 종류의 사전학습 모델을 만든다. ‘Synth’ 모델은 합성 데이터만으로 학습하고, ‘FT‑Real’ 모델은 합성 학습 후 고장 실제 이미지로 미세조정한다. (2) 이 사전학습 모델을 LISA ULF 데이터에 직접 적용해 도메인 전이 성능을 평가한다. 결과는 FT‑Real이 Synth보다 일관되게 우수했으며, 특히 BOBs 기반 모델이 dHCP 대비 더 높은 Dice와 낮은 거리 지표를 보였다. (3) 사전학습 모델을 LISA 데이터에 다시 미세조정하고, ‘good’ 라벨만 사용했을 때와 ‘bad’ 라벨만 사용했을 때의 성능 차이를 비교했다. ‘good’ 라벨만 사용한 경우가 전반적으로 더 높은 Dice와 낮은 HD95를 기록했으며, 라벨 정제의 효과가 확인되었다. 마지막으로 여러 미세조정 모델을 voxel‑wise majority voting으로 앙상블했을 때, 개별 모델보다 평균 NormAvg 점수가 향상되어 최종 순위에서 경쟁력을 확보했다.

기술적 기여는 다음과 같다. 첫째, DR을 이용해 고장‑초저장량 간 강도·해상도·아티팩트 차이를 효과적으로 시뮬레이션함으로써, 실제 ULF 이미지가 전혀 보이지 않아도 의미 있는 세그멘테이션 성능을 얻었다. 둘째, 라벨 정제 과정을 통해 데이터 품질이 모델 일반화에 미치는 영향을 정량화했다. 셋째, 전체 뇌 라벨을 활용한 사전학습(LISA +)이 특정 구조(hippocampus·basal ganglia) 세그멘테이션에 도움이 되지만, 라벨 간 정의 차이와 데이터 불균형 때문에 LISA 전용 라벨만을 사용한 경우가 더 안정적인 결과를 보였다. 넷째, 다중 모델 앙상블이 단일 모델보다 변동성을 감소시키고, 특히 작은 구조에서 Dice가 0.05~0.07 정도 상승하는 효과를 확인했다.

한계점으로는 (1) 합성 데이터가 실제 ULF 특유의 잡음·왜곡을 완전히 재현하지 못해, 극단적인 저대비 상황에서 성능이 급격히 떨어진다. (2) 라벨 정제 과정이 수작업 검토에 의존하므로 대규모 데이터셋에 적용하기 어려울 수 있다. (3) 현재는 3 T 고장 데이터에만 의존했으며, 1.5 T·2 T 등 중간 장비에서의 전이 성능은 검증되지 않았다. 향후 연구에서는 자동화된 라벨 품질 평가, 다양한 장비·연령대 데이터 통합, 그리고 GAN 기반 도메인 적응을 결합해 더욱 견고한 ULF 세그멘테이션 파이프라인을 구축할 필요가 있다.