3D 전송 기반 형태계측: 의료 영상 분석을 위한 혁신적인 도구

초록

본 논문은 최적 질량 전송 이론을 활용해 3차원 의료 영상을 선형 최적 전송(Lot) 공간에 임베딩하고, 이를 기반으로 분류·회귀·시각화까지 일련의 분석 파이프라인을 제공하는 3D‑TBM 툴킷을 소개한다. 전처리, 전송 임베딩, 통계·기계학습 모델링, 결과 역투영 및 시각화 기능을 파이썬 패키지(PyTransKit) 형태로 구현했으며, IXI 뇌 MRI 데이터를 이용한 연령 분류·예측 사례를 통해 실용성을 입증한다.

상세 분석

3D‑TBM은 기존 형태계측 방법이 갖는 비선형성·해석 어려움을 최적 질량 전송(Optimal Mass Transport, OMT) 프레임워크로 극복한다. 핵심 아이디어는 모든 3D 영상 I_i(x) 를 양의 확률밀도 함수로 간주하고, 공통 레퍼런스 이미지 I₀를 기준으로 각 영상에 대한 질량 보존 매핑 f_i를 구하는 것이다. 이 매핑은 역전 가능하므로, 전송 도메인에서 얻은 특징(예: f_i−Id에 √I₀를 곱한 형태) 을 선형 공간에 배치할 수 있다. 이렇게 선형화된 LOT 임베딩은 PCA, LDA/PLDA, CCA 등 전통적인 통계·기계학습 기법을 그대로 적용할 수 있게 하며, 모델이 학습한 방향을 역전사하여 원본 영상에 다시 투사함으로써 해석 가능한 해부학적 영역을 시각화한다.

논문은 4단계 워크플로우를 제시한다. ① 전처리 단계에서는 이미지 정합, 조직 분할, 중심화 등을 사용자가 직접 수행하도록 설계했으며, 결과는 NumPy 배열 형태로 저장한다. ② LOT 임베딩 단계에서는 자동 정규화와 레퍼런스 이미지 선택(사용자 지정 또는 훈련 이미지 평균, 혹은 Wasserstein barycenter인 intrinsic mean) 을 지원한다. 전송 맵 계산은 다중 스케일 가속 경사 하강법으로 구현되며, 병렬 처리 옵션을 통해 대용량 3D 데이터의 실행 시간을 크게 단축한다. ③ 임베딩 결과는 feature matrix(N×D) 로 변환되어 PCA, LDA, PLDA, CCA 등으로 분석한다. ④ 분석 결과는 역전 사상 I_recon(x)=Df⁻¹(x)′·I₀(f⁻¹(x)) 를 이용해 원본 영상 공간에 재구성하고, 주요 전송 모드(geodesic)와 변형 필드를 시각화한다.

툴킷은 PyTransKit이라는 오픈소스 패키지에 구현돼 있으며, 각 단계별 API가 모듈화돼 있어 사용자는 파라미터를 자유롭게 조정하고, 자신만의 파이프라인에 손쉽게 통합할 수 있다. 또한, IXI 데이터셋을 활용한 실험에서는 백색질 영역을 대상으로 35세 이하와 60세 이상을 구분하는 이진 분류와 연령을 연속값으로 예측하는 회귀를 수행했으며, 전송 기반 특징이 기존 이미지 강도 기반 특징보다 높은 정확도와 해석성을 제공함을 보였다.

이러한 설계는 기존 ANTs, MONAI, FreeSurfer, SPM 등 강력한 이미지 처리·분석 툴이 존재함에도 불구하고, 전송 기반 형태계측을 손쉽게 적용할 수 없던 연구자들에게 중요한 진입 장벽을 낮춘다. 특히, 전송 맵의 역투영을 통한 해부학적 시각화는 임상 해석을 요구하는 의료 AI 연구에 필수적인 투명성을 제공한다. 향후 확장 가능성으로는 다중 모달 전송 임베딩, 딥러닝 기반 전송 맵 추정, 그리고 대규모 코호트에 대한 자동 파이프라인 구축 등이 제시된다.