SIENA의 약점을 딥러닝으로 보강: 현대적 뇌 위축 측정 파이프라인

초록

본 연구는 SIENA 파이프라인의 핵심 약점인 두개골 제거와 조직 분할 단계에 최신 딥러닝 모델인 SynthStrip와 SynthSeg를 모듈식으로 삽입한다. ADNI와 PPMI 장기 코호트에서 세 가지 변형 파이프라인을 평가했으며, 임상·구조적 진행과의 상관성, 스캔 순서 일관성, 실행 시간을 기준으로 성능을 비교하였다. 두개골 제거 교체가 가장 일관된 개선을 보였고, 전체 통합 버전은 스캔 순서 대칭성을 99.1%까지 감소시켰으며, GPU 활용으로 실행 시간이 최대 46% 단축되었다. 결과는 딥러닝이 기존 임상 검증 파이프라인을 해석 가능성을 유지하면서도 신뢰성을 크게 향상시킬 수 있음을 보여준다.

상세 분석

SIENA는 전통적인 이미지 처리 알고리즘(BET2, FAST)에 의존해 두 시점 MRI 사이의 뇌 경계 변위를 측정함으로써 PBVC를 추정한다. 그러나 BET2 기반 두개골 제거는 신호 불균일, 강한 위축, 움직임 아티팩트 등에 취약해 초기 마스크 오류가 이후 정합·경계 검출 단계까지 전파되어 최종 PBVC에 편향을 일으킨다. 본 논문은 이러한 “가장 약한 고리”를 목표로 SynthStrip와 SynthSeg라는 도메인 랜덤화 학습 기반 딥러닝 모델을 도입한다. SynthStrip는 3D U‑Net 구조에 합성 이미지와 다양한 잡음·해상도 변형을 적용해 훈련돼, 기존 BET2보다 뇌·두개골 경계를 더 일관되게 구분한다. SynthSeg는 다클래스 세그멘테이션을 수행하며, 특히 비정상적인 해부학적 변형이 있는 환자에서도 GM/WM/CSF 경계를 안정적으로 복원한다.

세 가지 파이프라인 변형은 (1) skull‑strip만 SynthStrip 교체, (2) tissue‑segmentation만 SynthSeg 교체, (3) 두 단계 모두 교체한 완전 통합 버전이다. ADNI(알츠하이머)와 PPMI(파킨슨) 데이터셋에서 각각 평균 2년 간격의 2,000여 쌍의 스캔을 사용했으며, 임상 지표(CDR‑SB, MMSE, UPDRS 등)와 구조적 지표(전체 뇌 부피 감소)와의 Pearson 상관을 계산했다. 결과는 skull‑strip 교체가 가장 큰 상관성 향상을 보였으며, 특히 진행이 빠른 환자군에서 PBVC와 임상 악화 간의 연관성이 15~20% 상승했다.

스캔 순서 일관성 평가는 동일 환자에 대해 앞·뒤 스캔 순서를 뒤바꿨을 때 PBVC 차이를 측정한다. 기존 SIENA는 평균 절대 차이가 0.45%였으나, 완전 통합 버전은 0.004% 이하로 감소, 즉 99.1% 오류 감소를 달성했다. 이는 양방향 정합 단계에서 두뇌 마스크와 세그멘테이션이 대칭적으로 적용돼 방향성 편향을 최소화했기 때문이다.

연산 효율 측면에서 GPU 가속을 적용한 SynthStrip·SynthSeg는 각각 2.3배, 2.1배 속도 향상을 보였으며, 전체 파이프라인 실행 시간은 CPU 기반 기존 SIENA 대비 평균 46% 단축되었다. 다만, GPU가 없는 환경에서도 CPU 구현이 기존 파이프라인과 동등한 실행 시간을 유지하도록 최적화돼, 실험실·임상 현장 모두에서 적용 가능성을 확보했다.

전반적으로 이 연구는 “모듈식 현대화” 전략이 기존 검증된 도구의 핵심 알고리즘을 그대로 유지하면서, 가장 취약한 전처리 단계만 딥러닝으로 교체함으로써 정확도·신뢰도·효율성을 동시에 개선할 수 있음을 실증한다. 또한, 공개된 코드와 데이터 파이프라인은 재현성을 높이며, 향후 다른 장기 MRI 분석 툴에도 동일한 접근법을 적용할 수 있는 기반을 제공한다.