AI 기반 슬라이스 보간으로 뇌 사진 재구성 정확도 향상

초록

본 연구는 두께가 큰 해부 사진 슬라이스에서 손실된 단면 정보를 인공지능 초고해상도 모델로 보완하여, 등방성 3D 뇌 볼륨을 생성한다. 합성 데이터와 도메인 랜덤화를 활용한 2D U‑Net 기반 슬라이스 임퓨테이션은 기존 재구성보다 해부학적 세부를 크게 복원하고, 자동 분할, 표면 추출, 아틀라스 정합 등 다운스트림 작업에서 Dice 점수와 표면 오차를 현저히 개선한다.

상세 분석

이 논문은 기존 2D 해부 사진을 이용한 3D 뇌 재구성 파이프라인이 슬라이스 두께가 4 mm 이상일 때 발생하는 높은 이방성(through‑plane anisotropy) 문제를 해결하고자 한다. 핵심 아이디어는 “슬라이스 임퓨테이션”이라는 초고해상도(super‑resolution) 단계로, 두 인접 슬라이스를 입력으로 받아 중간에 존재할 가상의 슬라이스를 예측하는 2D U‑Net을 설계한다. 네트워크는 한 번에 두 슬라이스만 처리하므로 메모리 요구량이 낮고, 임의의 슬라이스 간격에 대해 반복 적용함으로써 원하는 1 mm 등방성 해상도를 얻을 수 있다.

훈련 데이터는 실제 초박형(≈1 mm) 슬라이스를 직접 수집하기 어려운 점을 고려해, 기존 1 mm 등방성 MRI를 이용해 인위적으로 다양한 콘트라스트와 슬라이스 간격을 시뮬레이션하는 합성 파이프라인을 구축하였다. 여기에는 조명, 카메라, 조직 고정 상태의 변동성을 포괄하도록 도메인 랜덤화가 적용돼, 실제 해부 사진에 대한 일반화 성능을 크게 향상시킨다.

실험은 워싱턴 대학교(4 mm, 8 mm, 12 mm)와 매사추세츠 알츠하이머 연구센터(≈8 mm) 두 데이터셋을 사용했다. 정량적 평가는 네 가지 측면에서 진행되었다. 첫째, 표면 재구성에서는 FreeSurfer 기반 Recon‑Any를 적용해 pial 및 white‑matter 표면을 추출하고, ex‑vivo 1 mm FLAIR MRI와의 평균 거리 오차를 측정했다. 임퓨테이션을 적용한 경우 평균 표면 오차가 최대 0.4 mm까지 감소했으며, 두께가 증가할수록 차이가 크게 나타났다. 둘째, 피질 두께 추정에서도 동일하게 오차가 감소했으며, 통계적으로 p < 0.001의 유의미한 개선을 보였다. 셋째, 자동 분할에서는 SynthSeg(다중 콘트라스트·해상도 무관)과 Photo‑SynthSeg(슬라이스 간격 특화) 두 모델을 사용했으며, 임퓨테이션 후 Dice 점수가 전 영역에서 유의하게 상승했다. 특히 피질과 백질 영역에서 평균 5‑7% 정도의 개선이 관찰되었다. 넷째, MNI‑ICBM152 아틀라스와의 비강체(non‑rigid) 정합에서는 NiftyReg을 이용해 변형장을 추정하고, 정합된 아틀라스 세그멘테이션과 MRI 기반 금표준 사이의 Dice를 비교했다. 모든 두께와 영역에서 임퓨테이션이 적용된 경우 Dice가 유의하게 높아졌으며, 일부 작은 구조(예: 섬엽)에서도 개선이 확인되었다.

이러한 결과는 슬라이스 임퓨테이션이 단순 보간을 넘어, 실제 해부학적 연속성을 학습함으로써 고해상도 구조를 복원한다는 점을 시사한다. 또한 합성 데이터 기반 학습이 실제 사진에 대한 도메인 적응 없이도 충분히 일반화될 수 있음을 입증한다. 제한점으로는 현재 2D U‑Net이 인접 두 슬라이스만 활용한다는 점에서, 더 넓은 컨텍스트를 포함하는 3D 혹은 순환 신경망 구조가 향후 성능을 더욱 끌어올릴 가능성이 있다. 또한, 슬라이스 두께가 극단적으로 두꺼운 경우(>12 mm)와 병리학적 변형이 큰 경우에 대한 추가 검증이 필요하다.