뇌이동 예측을 위한 사전‑수술 MRI 기반 U‑Net 모델 NeuralShift

초록

NeuralShift는 Temporal Lobe 절제 수술 환자의 사전 MRI만을 이용해 뇌이동을 예측하는 U‑Net 기반 딥러닝 모델이다. 98쌍의 사전‑수술·수술중 MRI 데이터를 9‑fold 교차검증으로 학습·평가했으며, 변위장 회귀와 뇌 마스크·거리함수(SDF) 예측을 다중 과제로 설정하였다. 변위장 평균 제곱오차와 구형좌표 손실, Dice·Edge 손실을 결합한 손실함수로 훈련하였다. 결과는 전역 변형 Dice 0.97, 주요 랜드마크 TRE 평균 1.12 mm를 달성해, 수술 전 뇌이동을 고정밀로 추정할 수 있음을 보여준다.

상세 분석

NeuralShift는 기존 biomechanical 시뮬레이션이 갖는 복잡한 경계조건 설정과 실시간성 한계를 딥러닝으로 극복하고자 설계되었다. 핵심 아이디어는 사전‑MRI(pMRI)와 수술중 MRI(iMRI) 사이의 변위장을 비강제(non‑rigid) 등록(F3D)으로 생성한 ‘대리’ 라벨을 이용해 지도학습을 수행하는 것이다. 이를 위해 저자들은 먼저 AC‑PC‑IH 3점 랜드마크를 수동으로 표시해 각 환자의 좌표계를 정규화하고, pMRI와 iMRI를 MNI 템플릿에 정합시킨 뒤 강체·아핀 변환을 적용해 동일 공간에 놓았다. 이후 NiftyReg의 F3D 알고리즘으로 얻은 B‑spline 제어점으로부터 연속적인 변위장 u(x)=y(x)−x을 추출하였다.

모델 아키텍처는 3D U‑Net을 기반으로 하며, 입력 채널은 정규화된 pMRI와 절제 측면을 나타내는 ‘반쪽 마스크(half‑mask)’이다. 출력은 (1) 변위장, (2) iMRI에서 추출한 뇌 마스크, (3) 마스크의 Signed Distance Function(SDF)이다. 변위장 회귀는 기본적인 MSE 손실 외에 구형좌표 손실(Lθ, Lϕ, Lmag)을 추가해 방향과 크기 오류를 별도 penalize한다. 마스크는 Dice 손실과 dilate 연산을 이용한 Edge 손실로 형태 일치를 강화하고, SDF는 MSE 손실로 연속적인 경계 정보를 학습한다. 전체 손실은 α·(MSE+구형) + β·(Dice+Edge) + γ·MSE_SDF 형태로 가중치를 조절한다.

데이터는 98명의 간질 환자(좌·우 측두엽 절제)에서 얻은 T1‑weighted pMRI·iMRI 쌍이며, 9‑fold 교차검증을 통해 모든 환자가 훈련·검증에 고르게 참여하도록 설계되었다. 평가 지표는 (a) 변위장 기반 랜드마크 Target Registration Error(TRE)와 (b) 마스크 겹침을 나타내는 Dice Coefficient이다. 실험 결과, 전역 변형 Dice 평균 0.97을 기록했으며, 주요 해부학적 랜드마크에 대한 TRE 평균 1.12 mm(최소 0.9 mm, 최대 1.5 mm)로, 기존 biomechanical 방법보다 높은 정확도를 보였다. Ablation study에서는 변위장만 단독 학습할 경우 Dice가 0.92, TRE가 1.8 mm로 떨어지는 등 마스크·SDF 공동 학습이 전역·국부 변형 정밀도 향상에 기여함을 확인했다.

이 모델은 수술 전 단계에서만 pMRI와 절제 측면 정보를 입력받아 즉시 변위장을 출력하므로, 실제 수술실에서 iMRI를 기다리는 시간 지연을 크게 감소시킬 수 있다. 또한, 공개 예정인 GitHub 저장소(https://github.com/SurgicalDataScienceKCL/NeuralShift)를 통해 재현성과 확장성을 확보하였다. 다만, 현재는 절제 부피와 정확한 경계 정보를 반영하지 않은 ‘반쪽 마스크’만 사용했으며, 실제 수술 중 발생하는 비선형 압력 변화나 환자별 조직 강성 차이를 완전히 포착하지 못한다는 한계가 있다. 향후 연구에서는 intra‑operative ultrasound나 전기생리학적 피드백을 추가 입력으로 활용하거나, 환자 맞춤형 biomechanical 파라미터와 결합해 하이브리드 모델을 구축하는 방향이 제시된다.