참조 데이터 없이 뇌 해부 슬래브 사진을 3D로 재구성하는 새로운 방법

초록

뇌 해부 시 촬영하는 슬래브 사진을 3D로 재구성해 MRI와 병리학적 정보를 연결하려는 연구가 활발합니다. 기존 방법은 3D 참조 데이터나 완전한 슬래브 스택을 필요로 해 적용이 제한적이었습니다. 본 연구에서는 ‘RefFree’라는 새로운 방법을 제안합니다. 이 방법은 단일 슬래브 사진만으로도 표준 뇌 지도(MNI) 공간의 3D 좌표를 예측하는 신경망을 통해, 외부 참조 데이터 없이도 일관된 3D 재구성과 등록을 가능하게 합니다. 합성 데이터로 훈련된 이 방법은 실제 부검 데이터에서도 뛰어난 성능을 보입니다.

상세 분석

이 논문이 제안하는 ‘RefFree’ 방법론의 기술적 혁신성과 핵심 통찰은 다음과 같습니다.

첫째, 문제 정의의 전환입니다. 기존 3D 재구성 방법이 슬래브 간 정합이나 3D 참조 데이터에 대한 정합이라는 ‘변환(Transformation)’ 문제에 초점을 뒀다면, RefFree는 각 슬래브 픽셀의 절대적인 공간 좌표(MNI 좌표)를 ‘예측(Prediction)‘하는 문제로 재정의했습니다. 이로 인해 입력이 단일 이미지라도 독립적으로 처리가 가능해지고, 여러 슬래브의 예측 결과를 기하학적으로 일관되게 결합하는 것이 상대적으로 쉬워졌습니다.

둘째, 합성 데이터 엔진의 정교함입니다. 실제 슬래브 사진과 MNI 좌표 쌍을 대량으로 확보하는 것은 불가능합니다. 이를 해결하기 위해 공개된 3D MRI 데이터로부터 디지털 방식으로 슬래브를 생성하는 파이프라인을 구축했습니다. 이 엔진은 단순히 MRI를 슬라이싱하는 수준을 넘어, 해부학적 변이(무작위 아핀 변형), 절단 각도, 슬래브 변형(저해상도 비강성 변형), 조명 및 조직 대비(가우시안 혼합 모델 기반 강도 렌더링), 프레이밍(무작위 크롭) 등 현실에서 발생할 수 있는 다양한 변수를 체계적으로 무작위화(Domain Randomization)하여 모델의 강건한 일반화 능력을 확보했습니다.

셋째, 효율성과 유연성의 달성입니다. 기존 최적화 기반 방법은 계산량이 많고 시간이 오래 걸렸지만, RefFree의 신경망 추론은 매우 빠릅니다. 또한 ‘전체 스택 → 부분 스택 → 단일 슬래브’에 이르는 다양한 입력 시나리오를 하나의 통합 프레임워크로 처리할 수 있는 유연성을 제공합니다. 이는 많은 뇌 은행 데이터가 불완전한 스택을 보유한 상황에서 특히 의미 있는 장점입니다.

결론적으로 RefFree는 의료 영상 분석에서 흔히 마주치는 ‘레이블 부족 데이터’와 ‘참조 데이터 부재’ 문제를 창의적인 문제 재정의와 정교한 합성 데이터 전략으로 극복한 사례입니다. 뇌 해부학적 정보를 표준 공간에 실시간으로 투영할 수 있는 부산물도 실제 임상/연구 환경에서 유용한 도구가 될 것입니다.