소아 전용 백질 경로 자동 분할: TractSeg 기반 딥러닝 모델의 혁신

초록

본 연구는 2~8세 영유아의 확산 MRI 데이터를 이용해, 기존 성인 전용 TractSeg 모델을 소아 특화 입력, 손실 함수, 교차 검증 방식으로 개조한 2D UNet을 개발하였다. 56명의 전문가가 라벨링한 16개 주요 백질 번들을 학습에 사용했으며, Dice, 부피 겹침, 과잉 부피 등 3가지 지표에서 기존 TractSeg 대비 통계적으로 유의한 향상을 보였다. 또한 두 모델의 출력 마스크를 결합해 60라벨 개인화 아틀라스를 생성, 소아 뇌 질환 연구에 활용 가능한 연속적이고 해부학적으로 일관된 결과를 제공한다.

상세 분석

이 논문은 소아 뇌 발달 단계에서 나타나는 해부학적 변이와 데이터 품질 저하를 고려한 백질 번들 자동 분할 방법을 제시한다. 기존 TractSeg은 20~35세 청년층의 고해상도 HCP 데이터를 기반으로 설계돼, 저해상도·이방성 강도(750 s/mm²) 를 가진 영유아 데이터에 적용하면 번들 검출 실패와 과도한 잡음이 발생한다는 한계가 있었다. 저자들은 이러한 문제를 해결하기 위해 세 가지 핵심 수정점을 도입했다. 첫째, 입력 피처를 FOD 피크(1 mm 등축 보간) 로 통일하고, 소아 전문가가 정의한 번들 경계에 맞춰 라벨링을 재구성했다. 둘째, 데이터셋이 56명으로 제한적이므로 전통적인 train/val/test 분할 대신 5‑fold 교차 검증을 적용해 모델 일반화를 극대화하고, 각 fold마다 검증 Dice가 최고인 가중치를 저장해 과적합을 방지했다. 셋째, 손실 함수는 기존 BCE‑Dice 혼합 대신 ‘masked Dice loss’를 채택, 라벨이 없는 배경·결측 영역을 마스크 처리해 손실 계산에서 제외함으로써 희소 라벨 상황에서도 안정적인 학습을 가능하게 했다.

네트워크 아키텍처는 TractSeg과 동일한 2D UNet 구조(5개의 인코더 블록, bottleneck, 4개의 디코더 블록)이며, 각 블록은 Conv‑BN‑ReLU 순서로 구성된다. 입력은 axial 슬라이스당 200×200×1 픽셀이며, 출력은 16채널(각 번들) 확률 맵이다. 최종 시그모이드 활성화 후 0.5 임계값으로 이진화한다. 학습률 1e‑3, Adam optimizer, 조기 종료(patience = 25) 등을 사용해 250 epoch까지 학습하였다.

성능 평가는 Dice coefficient, volume overlap (IoU), volume overreach (예측이 실제보다 과도하게 확장된 비율) 세 지표를 각각 16개 번들에 대해 산출하고, TractSeg과의 차이를 Wilcoxon signed‑rank test으로 검증했다. FDR 보정 후 p < 0.05인 경우를 통계적 유의로 판단했으며, Dice와 adjacency(부피 겹침)에서는 모든 번들에서 유의한 개선을 보였고, volume overlap에서는 오른쪽 Cingulum만 예외였다. 특히 Fornix와 같은 작은 번들은 TractSeg이 29/56명에서 전혀 검출되지 못했으나, 제안 모델은 일관된 마스크를 생성했다.

추가 실험으로 두 모델의 출력 마스크를 합쳐 60라벨 개인화 아틀라스를 구축했으며, 이는 기존 TractSeg이 제공하지 못한 소아 전용 번들을 포함한다. 라벨이 없는 영역에 대해서는 전문가 라벨링이 불가능했으나, 모델이 생성한 연속적인 마스크는 해부학적 타당성을 시각적으로 확인할 수 있었다. 이러한 개인화 아틀라스는 소아 발달 장애(ASD, ADHD 등) 연구에서 개별 환자의 백질 구조 변화를 정량화하는 데 활용될 가능성이 크다.

전반적으로, 소아 특화 입력 전처리, 마스크 기반 Dice 손실, 교차 검증 전략을 결합한 2D UNet은 제한된 라벨 데이터와 저품질 확산 MRI에서도 견고한 백질 번들 분할을 달성한다는 점에서, 향후 소아 신경과학 및 임상 연구에 중요한 도구가 될 것으로 기대된다.