MRI 비등방성 극복을 위한 단일 신경암시함수 기반 다중 심장 형태 학습

초록

본 연구는 고해상도 CT‑Angiography 데이터를 활용해 하나의 신경암시함수(Implicit Neural Representation, INR)로 심장 구조인 RV와 MYO를 동시에 재구성한다. CT‑A에서 학습한 다중‑형태 잠재벡터를 CMRI의 저해상도 단축축(SAX) 데이터에 적용해 4‑chamber(4CH) 슬라이스를 추출했으며, RV는 Dice 0.91 ± 0.07, MYO는 Dice 0.75 ± 0.13, Hausdorff 거리도 각각 6.2 mm와 7.5 mm 수준으로 기존 SAX 기반 분할보다 현저히 우수했다. 모델은 4초 내에 환자당 형태를 복원하며, 부드럽고 해부학적으로 타당한 3D 형태를 제공한다.

상세 분석

이 논문은 심장 MRI가 갖는 축방향 저해상도와 호흡에 의한 변위라는 근본적인 비등방성 문제를 해결하고자, 고해상도와 거의 등방성을 가진 CT‑Angiography(CTA) 데이터를 활용한다. 저자들은 CTA에서 추출한 표면 포인트 클라우드와 해당 포인트들의 Signed Distance Function(SDF) 값을 이용해, 다중 형태를 하나의 잠재벡터(z)와 MLP(다층 퍼셉트론)로 동시에 모델링한다. MLP은 8개의 완전 연결 층으로 구성되며, 각 층은 512 차원의 은닉 유닛을 갖고 ReLU 활성화와 가중치 정규화를 적용한다. 출력은 두 차원으로, 각각 MYO와 RV에 대한 SDF 값을 예측한다. 학습 시에는 MSE 손실에 잠재벡터 L2 정규화(λ=0.0001)를 추가해 과적합을 억제한다. 데이터 전처리 단계에서는 모든 좌표를