조건부 확산 모델을 활용한 알츠하이머 진단을 위한 다중모달 결측치 보완

초록

본 연구는 T1‑MRI를 조건으로 DWI(Fractional Anisotropy) 영상을 생성하는 3차원 조건부 denoising diffusion probabilistic model(DDPM)을 제안한다. ADNI 데이터셋에서 추출한 T1‑DWI 쌍을 학습시킨 후, 결측된 DWI를 합성하여 다중모달 학습에 활용한다. 합성 DWI를 포함한 유니모달·바이모달 3D CNN 분류기의 3‑class 알츠하이머(정상, MCI, AD) 진단 성능을 평가했으며, 소수 클래스에 민감한 지표에서 일부 개선이 관찰되었다. 그러나 전반적인 성능 향상은 합성 DWI 자체보다는 T1 데이터의 양 증가에 기인한 것으로 해석된다.

상세 분석

이 논문은 알츠하이머 질환 분류에 있어 다중모달 MRI 데이터의 부족 문제를 해결하고자, 조건부 확산 모델을 이용한 이미지 변환(imputation) 접근법을 도입한다. 핵심 아이디어는 T1‑weighted MRI를 입력으로, 동일 피험자의 DWI(Fractional Anisotropy, FA) 영상을 조건부로 생성하는 3차원 DDPM을 학습하는 것이다. 모델은 MONAI‑ 기반 3D U‑Net 구조에 시간(step)와 T1 채널을 결합한 조건부 입력을 사용해 노이즈를 예측하도록 설계되었으며, 1,000개의 diffusion step과 선형 β 스케줄을 적용한다. 학습에 사용된 데이터는 ADNI 1~3단계에서 추출한 642개의 T1‑DWI 쌍(훈련 642, 검증 137, 테스트 137)이며, 생성된 DWI는 SSIM 0.36, PSNR 23.6 등 정량적 품질을 보였다.

생성된 DWI를 활용한 실험은 크게 세 가지 시나리오로 나뉜다. 첫째, DWI‑only 3D CNN에 합성 MCI·AD 스캔을 동일 비율로 추가한 경우, 정확도(62.19→65.40%), 균형 정확도(42.28→51.68%), Macro‑F1(41.00→50.79%) 등 소수 클래스에 대한 성능이 현저히 향상되었다. 반면, 진단별 비율을 유지한 stratified imputation은 큰 효과를 보이지 않았다. 둘째, T1‑only 모델은 원본 T1 데이터가 충분히 많아 별도 imputation이 필요 없었으며, 훈련 데이터 규모를 확대하면 정확도와 AUC가 상승하지만, 테스트 집합을 크게 확장하면 이질성 증가로 성능이 감소하는 현상이 나타났다. 셋째, 바이모달(T1+DWI) 3D CNN에 합성 DWI를 추가했을 때는 정확도(68.03→70.36%)와 micro‑AUC(84.99→87.04%)가 소폭 개선되었지만, 동일한 수준의 개선이 빈 이미지(blank) imputation에서도 관찰돼 실제 기여는 합성 DWI보다는 T1 데이터의 양적 증가에 기인한 것으로 판단된다. 평균 진단 기반 imputation은 일관된 향상을 보이지 않았다.

결과 해석에서는 두 가지 중요한 통찰이 도출된다. 첫째, 조건부 DDPM이 생성한 DWI는 실제와 비교해 구조적 일관성을 유지하지만, 현재의 학습 데이터 규모(≈800쌍)로는 충분히 풍부한 표현력을 확보하기 어려워, 다운스트림 분류기에 미치는 직접적인 효과가 제한적이다. 둘째, 알츠하이머 분류에서 T1‑MRI가 이미 강력한 특징을 제공하므로, DWI가 추가적인 정보를 제공하려면 더 정교한 융합 전략이나 고해상도·고품질 DWI가 필요하다. 논문은 향후 더 큰 T1‑DWI 페어 데이터셋, 최신 diffusion bridge 모델, 그리고 이진 분류나 연속형 인지 점수 예측 등 다양한 다운스트림 과제에 대한 평가를 통해 방법론을 확장할 계획임을 밝힌다.