T1에서 T2로 MRI 합성 최적 모델 비교

초록

본 연구는 BraTS 2020 데이터셋을 이용해 T1‑Weighted MRI를 T2‑Weighted 이미지로 변환하는 세 가지 최신 생성 모델(Pix2Pix GAN, CycleGAN, VAE)을 정량적 지표(MSE, PSNR, SSIM)와 잠재공간 특성을 종합적으로 평가한다. CycleGAN이 가장 높은 PSNR와 SSIM을 기록했으며, Pix2Pix GAN은 최소 MSE를 달성했다. VAE는 재구성 성능은 다소 낮지만 잠재공간 활용과 샘플링 능력에서 장점을 보인다.

상세 분석

본 논문은 MRI 교차‑모달 합성 분야에서 실용적인 벤치마크를 제공하기 위해 동일한 전처리 파이프라인과 학습 조건 하에 세 가지 생성 모델을 비교하였다. 데이터는 BraTS 2020의 2D 슬라이스 11,439장을 학습용, 2,000장을 테스트용으로 무작위 추출했으며, 모든 이미지는 256×256 픽셀로 리사이즈하고 ‑1~1 범위로 정규화하였다. Pix2Pix GAN은 조건부 GAN 구조에 U‑Net 기반 생성기와 PatchGAN 판별기를 사용했으며, 픽셀‑레벨 L1 손실과 adversarial 손실을 결합해 훈련하였다. CycleGAN은 비쌍(pair) 데이터가 필요 없는 사이클 일관성 손실을 도입해, 두 개의 변환 네트워크(G→F, F→G)를 동시에 학습시켜 T1↔T2 변환을 수행한다. VAE는 인코더‑디코더 구조에 확률적 잠재변수를 도입해 KL 발산 손실과 재구성 손실을 최적화하였다. 정량적 결과는 Pix2Pix가 MSE 0.005846으로 가장 낮은 평균 제곱오차를 보였고, CycleGAN은 PSNR 32.28 dB와 SSIM 0.9008로 가장 높은 이미지 품질을 달성했다. VAE는 MSE 0.006949, PSNR 24.95 dB, SSIM 0.6573으로 상대적으로 낮은 성능을 보였지만, 잠재공간에서의 샘플링을 통해 다양한 변형 이미지를 생성할 수 있는 가능성을 제시한다. 또한, 논문은 각 모델의 학습 안정성, 모드 붕괴 위험, 그리고 임상 적용 시 발생할 수 있는 허위 병변 생성 위험을 논의한다. 특히 CycleGAN은 비쌍 데이터 활용이 가능해 실제 임상 환경에서 데이터 라벨링 비용을 크게 절감할 수 있다는 실용적 장점을 강조한다. 반면, GAN 기반 모델은 훈련 과정에서 불안정성이 존재하며, 정밀한 병변 표현에 있어 과도한 매끄러움이나 인위적 구조가 나타날 위험이 있다. VAE는 재구성 손실이 상대적으로 크지만, 잠재공간을 활용한 도메인 적응이나 데이터 증강에 유리한 점을 부각한다. 전체적으로 본 연구는 모델 선택 시 재구성 정확도, 학습 데이터 요구량, 임상 안전성 등을 종합적으로 고려해야 함을 제시한다.