뇌 MRI 합성을 위한 코텍스 기반 확산 모델 Cor2Vox

초록

Cor2Vox는 고해상도 코텍스 표면을 연속적인 구조적 사전(prior)으로 활용해 3차원 브라운니언 브릿지 확산 과정을 통해 뇌 MRI를 합성하는 프레임워크이다. 33,000여 명의 UK Biobank 데이터를 기반으로 만든 대규모 통계적 코텍스 형태 모델을 이용해 새로운 해부학적 변이를 생성하고, 부가적인 표면 SDF와 마스크를 역확산 단계에 조건으로 제공함으로써 해부학적으로 일관된 고품질 영상을 만든다. 정량적 이미지 품질 지표, 표면 재구성 정확도, 전체 뇌 분할 품질 등에서 기존 3D‑DDPM 등 베이스라인을 능가했으며, (i) 해부학적 일관성 유지 합성, (ii) 진행성 회색질 위축 시뮬레이션, (iii) 전두측 치매 데이터와 공개 데이터셋 간의 도메인 정합에 성공하였다.

상세 분석

Cor2Vox는 기존 의료 영상 생성 모델이 라벨·텍스트와 같은 저차원 조건에 의존해 해부학적 타당성을 보장하지 못한다는 문제점을 직접 해결한다. 핵심 아이디어는 뇌 피질을 고해상도 메쉬(각 반구당 163 k 정점)로 재구성하고 이를 Signed Distance Field(SDF) 형태로 변환한 뒤, 이 SDF를 “소스” 분포로 삼아 브라운니언 브릿지 확산(Brownian Bridge Diffusion, BBD) 과정을 통해 목표인 MRI 볼륨을 직접 매핑한다. 기존 DDPM이 무작위 가우시안 노이즈에서 시작해 점진적으로 이미지를 생성하는 반면, BBD는 시작점이 이미 실제 이미지(I)이고 중간 단계에서 점차적으로 SDF와 혼합된다. 이때 α_t = t/T 로 정의된 선형 스케줄에 따라 노이즈 분산 δ_t가 중간에 최대가 되며, 최종 단계에서는 다시 0이 되어 정확히 SDF에 수렴한다.

조건부 생성의 정밀성을 높이기 위해 Cor2Vox는 네 가지 보조 조건을 역확산 단계에 함께 제공한다. (1) 피질 외부(pial) 표면 SDF S_p, (2) 백질(white matter) 표면 SDF S_w, (3) 피질·백질 경계를 강조한 이진 에지 맵 E, (4) 피질 리본 영역을 나타내는 마스크 R이다. 이들 정보를 UNet 기반 3D residual 네트워크에 concatenate 형태로 입력함으로써, 각 타임스텝에서 모델이 현재 노이즈 이미지와 목표 SDF 사이의 기하학적 일치를 학습하도록 유도한다.

데이터 측면에서 저자들은 UK Biobank의 33 000여 건 MRI를 이용해 통계적 형태 모델을 구축하였다. VAE‑style이 아닌 고해상도 메쉬 재구성을 통해 얻은 SDF는 고차원 라티스 공간을 형성하고, 주성분 분석(PCA) 혹은 변분 오토인코더와 유사한 방식으로 저차원 잠재 변수를 정의한다. 이를 통해 “새로운” 피질 형태를 샘플링하거나, 특정 질환(예: 전두측 치매)의 특징적인 위축 패턴을 시뮬레이션할 수 있다.

실험에서는 (i) 이미지 품질 지표(FID, SSIM, PSNR)와 함께 Vox2Cortex‑Flow를 이용한 표면 재구성 정확도, (ii) SynthSeg+ 기반 전체 뇌 분할 Dice 점수를 평가하였다. Cor2Vox는 3D‑DDPM 대비 FID가 30 % 이상 감소하고, 재구성된 피질 굴곡(central sulcus, superior temporal sulcus 등)의 위치 오차가 평균 0.3 mm 이하로 감소했다. 또한, 진행성 회색질 위축 시뮬레이션에서는 연속적인 형태 변이를 정밀히 제어할 수 있었으며, 전두측 치매 데이터와 ADNI 데이터 간의 도메인 차이를 보정할 때는 이미지 스타일은 유지하면서 피질 위축 형태만을 일관되게 변환해, downstream 분류·예측 모델의 성능 향상을 입증했다.

한계점으로는 SDF 변환 과정에서 메모리 요구량이 크고, 고해상도(1 mm³ 이하) 전체 뇌 볼륨을 다루려면 GPU 메모리 최적화가 필요하다는 점을 들 수 있다. 또한, 현재는 피질 외부 구조(뇌실·기저핵 등)를 직접 조건화하지 않아, 전반적인 뇌 형태 변이에 대한 제어는 제한적이다. 향후 연구에서는 다중 조직 마스크와 멀티스케일 확산을 결합해 전뇌 수준의 해부학적 정밀성을 높이는 방향이 기대된다.