경증·중등도 신경병변 MRI를 위한 효율적인 뇌 추출 방법

초록

본 논문은 경증·중등도 신경병변을 가진 피험자의 T1‑weighted MRI에서 뇌 외부 표면을 일관되게 보존하면서 두개골을 제거하는 새로운 딥러닝 기반 스컬 스트리핑 기법을 제안한다. 수정된 3D U‑Net을 사용하고, 은표준(Silver‑standard) 마스크와 서명 거리 변환(SDT) 기반 가중 평균 제곱오차 손실 함수를 도입해 학습 효율과 정확성을 동시에 향상시켰다. 검증 결과, Dice 0.96, ASSD 1.4 mm 수준의 높은 성능을 보이며 기존 최첨단 방법과 동등하거나 우수한 결과를 얻었다.

상세 분석

이 연구는 기존 스컬 스트리핑 기법이 병변이 있는 뇌에서 경계 정의에 실패하거나 처리 시간이 오래 걸리는 문제점을 해결하고자 한다. 데이터 측면에서 ADNI와 ASAP 두 대규모 코호트를 활용했으며, 골드 스탠다드 라벨이 부족한 점을 보완하기 위해 MONSTR, ROBEX, Synthstrip 등 세 가지 최신 방법의 결과를 STAPLE 알고리즘으로 통합한 은표준 마스크를 생성하였다. 이는 라벨링 비용을 크게 절감하면서도 다중 방법의 합의를 반영한다는 장점이 있다.

모델은 3D U‑Net 구조에 깊이 3, 초기 채널 32를 설정해 파라미터 수를 제한했으며, 이미지 해상도를 2배 다운샘플링해 메모리 사용량을 감소시키고 배치 사이즈를 확대함으로써 학습 시간을 12시간 이하로 단축하였다. 핵심 혁신은 서명 거리 변환(SDT)을 기반으로 한 손실 함수이다. SDT는 마스크 경계에서 0을, 내부는 양수, 외부는 음수 값을 부여해 연속적인 거리 정보를 제공한다. 저자는 가중 평균 제곱오차(L_SDT) 를 정의하고, 각 voxel에 대해 e^{‑α|ŷ|}+β 형태의 지수 감쇠 가중치를 적용하였다. α=0.1, β=0.3은 Optuna를 통해 최적화된 값이며, 이는 경계 근처에 높은 그래디언트를 집중시켜 학습 안정성을 높인다. 또한, SDT 기반 손실은 라벨의 불완전성에 강인하며, Dice 손실이 은표준 라벨에 대해 보이는 과적합 현상을 완화한다.

학습 과정에서 별도 검증용 Dice 손실을 모니터링해 보조 지표로 활용했으며, 최종 출력은 연속값을 임계값 0으로 이진화해 마스크를 복원한다. 후처리 단계에서는 연결되지 않은 컴포넌트를 제거하고, 작은 구멍을 메워 최종 뇌 마스크를 정제한다.

평가에서는 자체 보유 테스트 셋(ADNI+ASAP)과 외부 독립 데이터셋(IXI, FSM, ASL, CC359)을 사용해 Dice, 평균 대칭 표면 거리(ASSD), 95th Hausdorff 거리(HD95)를 측정했다. 자체 테스트에서는 평균 Dice 0.964±0.006, ASSD 1.4±0.2 mm, HD95 3.6±1.1 mm를 기록했으며, 외부 데이터에서도 Dice 0.958±0.006, ASSD 1.7±0.2 mm 수준을 유지했다. 비교 대상인 MONSTR, ROBEX, Synthstrip과 비교했을 때, 제안 방법은 특히 뇌 외부 표면 보존과 병변 부위에서의 과소/과대 분할을 최소화하는 데 강점을 보였다. 시각적 검토에서도 99% 이상의 케이스에서 정확한 경계가 확인되었으며, 실패 사례는 주로 목 부위 지방 조직을 오버세그멘테이션한 경우에 국한되었다.

추론 시간은 평균 20초 이하로, GPU 기반 실시간 처리에 충분히 적합하다. 제한점으로는 은표준 라벨이 실제 골드 스탠다드와 차이가 있을 수 있고, 하위 해상도 입력이 미세 구조(예: 얇은 피질) 보존에 영향을 줄 가능성이 있다. 향후 다중 해상도 피라미드 구조와 더 정교한 후처리(예: Conditional Random Field) 도입이 제안된다.