전역 자기주의와 2.5D 삼면 입력을 활용한 다기관 MRI 조화

본 논문은 다기관 뇌 MRI 데이터에서 발생하는 스캐너‑특이적인 편향을 해결하기 위해, 이론적 도메인 적응 프레임워크와 최신 딥러닝 설계를 결합한 SA‑CycleGAN‑2.5D 모델을 제안한다. 연구 배경으로는 다기관 데이터가 통계적 파워를 제공하지만, 1.5 T와 3 T, 제조사·프로토콜 차이 등으로 인한 intensity distribution 차이가 방사선학적 피처와 세그멘테이션 성능을 크게 저해한다는 점을 들었다. 기존 통계적 방법인 ComBat은 feature‑space에서만 보정해 이미지 자체를 재구성하지 못하고, 기존 CycleGAN 기반의 딥러닝 방법은 순수 컨볼루션 구조의 제한된 수용 영역(O(√L)) 때문에 전역적인 필드 강도 편향을 충분히 모델링하지 못한다는 한계를 지적한다. 이론적 근거는 Ben‑David et al.의 HΔH‑divergence bound이며, 도메인 간 분포 차이를 최소화하면 목표 도메인에서의 학습 위험이 감소한다는 점을 활용한다. 이를 위해 적대적 학습을 통해 판별기가 실제 타깃 도메인 이미지와 생성된 이미지를 구분하도록 하고, 생성기는 이 신호를 통해 d_{HΔH}를 감소시킨다. 모델 아키텍처는 크게 세 부분으로 구성된다. 1) 2.5D tri‑planar 입력: 각 축에서 인접한 세 슬라이스를 12채널 텐서로 결합해 through‑plane gradient ∇z를 O(H·W) 비용으로 인코딩한다. 이는 전체 3D 볼륨을 직접 처리하는 O(H·W·D) 연산을 회피하면서도 볼륨 연속성을 보존한다. 2) U‑ResNet 기반 생성기: 인코더‑디코더 구조에 residual block을 9개 배치하고, 중간 bottleneck에 세 개의 self‑attention 블록과 전역 self‑attention을 삽입한다. self‑attention은 모든 공간 위치 간 affinity를 계산해 전역 컨텍스트를 제공하며, CBAM 모듈을 11곳에 배치해 경량 채널·공간 재조정을 수행한다. 전체 파라미터는 35.1 M이며, self‑attention이 차지하는 비중은 3.4%에 불과해 실시간 추론이 가능하다. 3) 스펙트럼 정규화된 멀티‑스케일 PatchGAN 판별기: 각 레이어에 spectral normalization을 적용해 Lipschitz 상수를 1 이하로 제한함으로써 고해상도 MRI에서 흔히 발생하는 gradient 폭발을 방지하고, 안정적인 adversarial 학습을 보장한다. 손실 함수는 adversarial LSGAN loss, L1 기반 cycle consistency, identity loss, 그리고 SSIM loss를 가중합한 복합 손실로, 각각 이미지 품질, 구조 보존, 불필요한 변환 억제, 그리고 전역‑지역 구조 유지를 담당한다. 실험은 다기관 BraTS(다양한 필드 강도·제조사·프로토콜)와 단일기관 UPenn‑GBM(동질적) 두 도메인에서 654명의 교모세포종 환자를 대상으로 진행되었다. 전처리 단계에는 N4 bias correction, HD‑BET skull stripping, SRI24 atlas 정합, 그리고 modality별 z‑score 정규화가 포함된다. 데이터는 70/15/15 비율로 학습·검증·테스트로 분할했으며, 테스트 셋은 7,897 슬라이스와 별도 도메인 분류용 318 샘플을 포함한다. 평가 지표는 (1) 재구성 품질(SSIM, PSNR, MAE, LPIPS), (2) 도메인 정렬(MMD, KS test, 도메인 분류 정확도), (3) 방사선학적 피처 일관성(512‑dim radiomics correlation)이다. 결과는 MMD가 1.729에서 0.015로 99.1% 감소했으며, 도메인 분류 정확도는 59.7%(거의 무작위)까지 떨어졌다. SSIM·PSNR 등 재구성 지표에서도 기존 3D CycleGAN 대비 평균 4–6% 향상을 보였고, radiomics 피처 상관계수는 0.92 이상으로 높은 일관성을 유지했다. Ablation study에서는 (a) self‑attention 제거, (b) 2.5D 입력을 2D 단일 슬라이스로 대체, (c) 스펙트럼 정규화 없는 판별기 등 세 가지 변형을 비교했다. 특히 self‑attention을 제외했을 때 MMD 감소율이 78%로 떨어지고, Cohen’s d=1.32, p<0.001 로 통계적으로 유의미한 성능 저하가 관찰되었다. 이는 전역 컨텍스트가 이질→동질 변환에서 핵심 역할을 함을 입증한다. 결론적으로 SA‑CycleGAN‑2.5D는 (i) 전역적인 스캐너 편향을 모델링할 수 있는 밀집 자기주의, (ii) 3D 연속성을 저비용으로 전달하는 2.5D tri‑planar 입력, (iii) 안정적인 학습을 보장하는 스펙트럼 정규화 판별기라는 세 축을 결합해, voxel‑level 이미지 조화를 실용적인 수준으로 끌어올렸다. 이는 다기관 방사선학 연구에서 데이터 통합을 가속화하고, downstream segmentation·radiomics·생존 예측 모델의 일반화 능력을 크게 향상시킬 것으로 기대된다.