다중 MRI 기반 다중 트레이서 PET 합성을 위한 상대적 적대적 확산 모델

초록

본 논문은 T1‑Weighted와 T2‑FLAIR 두 종류의 구조적 MRI를 입력으로 사용해, 다중 트레이서 PET 영상을 합성하는 RelA‑Diffusion이라는 새로운 확산‑GAN 프레임워크를 제안한다. 상대적(adversarial) 손실과 그래디언트 패널티를 결합해 각 diffusion 단계마다 현실감 있는 세부 구조를 지속적으로 정제하도록 설계했으며, 두 개의 공개 데이터셋 실험에서 기존 방법들을 크게 능가하는 정량·정성 성능을 입증하였다.

상세 분석

RelA‑Diffusion은 기존 딥러닝 기반 PET 합성 방법이 갖는 두 가지 한계를 동시에 해결하려는 시도이다. 첫 번째는 입력 영상의 정보량 부족이다. 대부분의 선행 연구가 단일 T1‑Weighted MRI만을 사용했는데, 이는 병변 부위의 미세한 변화를 포착하기에 한계가 있다. 본 연구는 T1과 T2‑FLAIR를 동시에 활용함으로써, T1이 제공하는 전반적인 해부학적 구조와 T2‑FLAIR가 강조하는 병변성 병리(예: 염증, 부종) 정보를 보완한다. 두 번째는 생성 모델의 훈련 불안정성 및 결과물의 인공적 아티팩트이다. 이를 위해 저자들은 diffusion 모델의 “중간 청정 예측”(denoised estimate) 단계에 상대적 적대적 손실(relativistic adversarial loss)을 삽입하였다. 전통적인 GAN 손실이 절대적인 진위 구분에 초점을 맞추는 반면, 상대적 손실은 실제와 생성 이미지 사이의 상대적 순위를 학습한다. 즉, 실제 이미지가 생성 이미지보다 더 “진짜”로 인식되도록 유도함으로써, 미세 구조의 차이를 더 민감하게 반영한다.

또한 그래디언트 패널티(gradient penalty)를 도입해 판별기의 Lipschitz 연속성을 보장하고, 훈련 과정에서 발생할 수 있는 모드 붕괴와 불안정성을 완화한다. 이러한 두 가지 정규화 기법은 각각 독립적으로도 효과가 있었지만, 결합했을 때 시너지 효과가 나타나, 특히 diffusion 타임스텝이 진행될수록 점진적인 품질 향상이 관찰되었다.

모델 아키텍처 측면에서는 UNet 기반의 denoising 네트워크에 조건부 입력으로 다중 MRI 채널을 결합하고, 판별기는 PatchGAN 스타일로 설계해 지역적 텍스처와 경계 정보를 집중적으로 평가한다. 훈련은 전통적인 MSE/MAE 손실 외에 SSIM 기반 손실을 추가해 구조적 유사성을 강화했으며, 전체 손실은 가중치 조절을 통해 균형을 맞췄다.

실험에서는 두 개의 독립적인 코호트(예: ADNI와 AIBL)에서 τ‑PET, TSPO‑PET, Aβ‑PET 등 세 종류의 트레이서를 대상으로, 각각 T1+T2‑FLAIR 입력을 사용해 합성하였다. 정량 평가지표인 PSNR, SSIM, NMSE, 그리고 PET 특화 지표인 SUVr 차이 등을 종합하면, 기존 3D‑U‑Net, GAN‑based Pix2Pix, 그리고 최신 diffusion 기반 DDPM 모델을 모두 앞섰다. 특히 병변 부위(예: 해마, 전전두엽)의 SUVr 재현 정확도가 크게 개선돼, 임상적 활용 가능성을 높였다.

한계점으로는 아직도 고해상도(256³ 이상) 전역 생성에 대한 메모리 요구가 크고, 트레이서마다 별도 fine‑tuning이 필요하다는 점이 있다. 향후 연구에서는 메모리 효율적인 라티스 기반 diffusion과 멀티‑트레이서 공동 학습(Multi‑task learning) 전략을 도입해, 단일 모델이 여러 트레이서를 동시에 합성하도록 확장할 여지가 있다.

요약하면, RelA‑Diffusion은 다중 MRI 입력과 상대적 적대적 손실, 그래디언트 패널티를 결합한 혁신적인 프레임워크로, 기존 딥러닝 기반 PET 합성의 품질·안정성 문제를 크게 완화하고, 임상·연구 현장에서 다중 트레이서 PET 데이터를 비용·방사선 부담 없이 확보할 수 있는 새로운 길을 제시한다.