AI 기반 가속 MRI 재구성 해상도 평가와 딥러닝 모델 옵저버 활용

초록

본 연구는 다중 코일 SENSE 병렬 MRI에서 가속 인수 1×, 4×, 8×에 대해 Rayleigh 구분 과제를 이용해 해상도를 측정하는 딥러닝 기반 모델 옵저버(DLMO)를 개발하였다. 합성 뇌 영상을 이용해 신호(싱글렛·더블렛)를 삽입하고, 전통적인 rSOS와 AI 기반 U‑Net 재구성을 비교하였다. PSNR·SSIM은 U‑Net이 우수했지만, 과제 기반 AUC에서는 완전 샘플링 rSOS에 비해 현저히 낮아 AI 재구성이 시각적 품질은 좋지만 진단 성능을 보장하지 못함을 보여준다.

상세 분석

이 논문은 MRI 가속 재구성의 품질을 평가할 때 흔히 사용되는 PSNR·SSIM과 같은 전역적인 이미지 품질 지표가 실제 임상 과제와는 불일치할 수 있다는 점을 강조한다. 이를 해결하기 위해 저자들은 Rayleigh 구분 과제(싱글렛 vs. 더블렛 신호)를 설정하고, 인간 독자와 동일한 판단 구조를 모방하는 딥러닝 기반 모델 옵저버(DLMO)를 설계하였다. DLMO는 8개의 7×7 컨볼루션 레이어와 하나의 완전 연결 레이어로 구성되며, LeakyReLU와 시그모이드 출력으로 테스트 통계값을 추정한다. 초기 학습은 완전 샘플링(1×) 이미지로 수행하고, 이후 각 가속 인수(4×, 8×)에 대해 전이학습을 적용해 데이터 효율성을 높였다.

합성 뇌 데이터는 Human Connectome Project을 기반으로 훈련된 DDPM(denoising diffusion probabilistic model)으로 생성했으며, 화이트 마터리얼 영역에 Gaussian 블러를 적용한 싱글렛(선)과 더블렛(점 두 개) 신호를 삽입했다. 신호 강도와 길이는 실제 백색질 병변을 모사하도록 0.21.9, 414 mm 범위로 다양하게 설정했다. 총 393,330개의 이미지 중 80,000장은 U‑Net 재구성 학습에, 336,000장은 DLMO 학습에, 16,000장은 테스트에 사용되었다.

재구성 단계에서는 전통적인 rSOS와 U‑Net 기반 디노이징을 비교하였다. U‑Net은 4단계 인코더‑디코더 구조에 스킵 연결을 포함하고, MSE 손실로 20,000쌍의 가속·완전 샘플링 이미지에 대해 5‑폴드 교차 검증을 수행했다. 가속 인수별로 Poisson‑disc 샘플링과 40×40 자동 보정 영역을 적용했으며, 복소 가우시안 노이즈(σ=15)를 추가해 실제 fastMRI+ 데이터와 유사한 SNR을 재현했다.

평가 결과, U‑Net은 모든 가속 인수에서 PSNR과 SSIM이 통계적으로 유의하게(r < 0.05) 향상되었지만, DLMO 기반 AUC는 1× rSOS에 비해 크게 감소했다. 특히 4 mm 신호에서는 4× 가속 시 U‑Net AUC가 25 % 감소했으며, 5 mm 신호에서도 5 % 감소했다. 8× 가속에서도 동일한 추세가 관찰되어, AI 기반 재구성이 시각적으로 부드럽고 고품질 이미지를 제공하더라도 미세 구조 구분 능력은 저하된다는 결론을 도출한다. 인간 독자와의 라벨 정렬 훈련을 통해 DLMO와 인간 독자의 2AFC 성능이 높은 상관관계를 보였으며, 이는 DLMO가 실제 임상 독자 대체 모델로 활용 가능함을 시사한다.

핵심 인사이트는 다음과 같다. 첫째, 전통적인 전역 품질 지표만으로는 AI 재구성의 진단적 유용성을 판단하기 어렵다. 둘째, 과제 기반 모델 옵저버는 인간 독자와 유사한 판단 체계를 학습함으로써 효율적인 가상 임상 시험을 가능하게 한다. 셋째, 전이학습을 통한 가속 인수별 DLMO 재학습은 데이터 요구량을 크게 줄이며, 다양한 가속 설정에 대한 빠른 성능 평가를 지원한다. 마지막으로, 현재 U‑Net 구조는 고주파 세부 정보를 과도하게 평활화하는 경향이 있어, 향후 고해상도 구조 보존을 위한 손실 함수 설계나 하이브리드 물리‑학습 모델이 필요하다.