시간 흐름 기반 연속 뇌 MRI 정합 및 노화 예측

초록

TimeFlow는 두 시점의 뇌 MRI만을 이용해 연령을 연속적인 변수로 조건화한 U‑Net 모델로, 시간에 따라 매끄러운 변형장을 생성한다. 대칭적 보간·외삽 일관성 손실을 도입해 명시적 시간 스무딩 없이도 시간 연속성을 확보하고, 관측되지 않은 미래 시점의 뇌 구조를 비선형적으로 예측한다. 또한 별도 세그멘테이션 없이 변형장을 분석해 정상 노화와 병리적 진행을 구분한다.

상세 분석

본 논문은 장기 뇌 MRI 정합에서 흔히 발생하는 두 가지 한계를 동시에 해결한다. 첫째, 기존 방법은 다수의 연속 스캔을 전제하거나 시간 스무딩을 강제해 정밀도와 연속성 사이에 트레이드오프가 존재한다. 둘째, 관측된 시점 사이의 보간은 가능하지만 미래 시점 예측, 즉 외삽은 지원하지 못한다. TimeFlow는 이러한 문제를 “시간 연속성”을 네트워크 자체에 내재시킴으로써 해결한다. 핵심은 (1) 시간 변수 t를 사인형 위치 인코딩과 MLP를 통해 잠재 임베딩으로 변환하고, 이를 Adaptive Instance Normalization(AdaIN)의 평균·분산 파라미터에 주입해 U‑Net이 입력 이미지 쌍(I₀, I_L)과 연령 t에 따라 직접 변형장 φ₀→L(t)를 출력하도록 설계한 점이다. 이 구조는 두 스캔만으로 임의의 t∈ℝ에 대한 변형을 생성하므로, 관측 구간 내 보간(0<t<1)과 구간 외 외삽(t>1 또는 t<0) 모두를 동일한 파라미터화된 함수로 다룰 수 있다.

시간 연속성을 보장하기 위해 제안된 두 종류의 일관성 손실이 핵심 역할을 한다. (a) 보간 일관성은 (i) 대칭 이미지 유사도 L_sim(I₀∘φ₀→L(t_k), I_k)+L_sim(I_L∘φ₀→L(t_k−1), I_k) 로 실제 중간 시점이 존재할 때 양쪽 이미지가 동일 시점에 정렬되도록 강제하고, (ii) 실제 중간 스캔이 없을 경우 t̂∼U(0,1) 를 샘플링해 합성 중간 이미지 Î_t=I₀∘φ₀→L(t̂)=I_L∘φ₀→L(t̂−1) 로 만든 뒤 L_sim(I₀∘φ₀→L(t̂), I_L∘φ₀→L(t̂−1)) 를 최소화한다. 이는 시간 축을 연속적으로 학습하도록 만든다. (b) 보간 흐름 일관성은 변형장의 합성 일관성을 ∥φ₀→L(1)∘φ₀→L(t_k−1)−φ₀→L(t_k)∥² + ∥φ₀→L(−1)∘φ₀→L(t_k)−φ₀→L(t_k−1)∥² 로 정의해, 두 단계 변형이 직접 변형과 동일함을 강제한다. 이는 전통적인 공간 스무딩 정규화와는 달리 변형 자체의 논리적 일관성을 확보한다.

외삽 일관성은 보간 일관성을 확장한 형태이다. 중간 시점 φ₀→k¹을 이용해 φ₀→L(1) = φ₀→k¹ / t_k 로 정의하고, L_sim(I₀∘φ₀→k¹/t_k, I_L) 로 외삽 이미지와 실제 목표 이미지 간 유사성을 최소화한다. 또한 ∥φ₀→L(1)−φ₀→k¹/t_k∥² 로 외삽 흐름 일관성을 부과한다. 역방향( t<0 )도 동일하게 정의한다. 이러한 손실들은 “무한히” 시간 포인트를 샘플링해 학습에 활용함으로써, 모델이 관측되지 않은 미래 시점에서도 물리적으로 일관된 변형장을 생성하도록 만든다.

실험에서는 OASIS‑3, ADNI 등 대규모 노화·치매 코호트를 사용해 (1) 정합 정확도(DSC, TRE)와 (2) 미래 시점 예측 오류(L1, SSIM)에서 기존 NeuralODE 기반 NODER, VoxelMorph, 전통적인 diffeomorphic registration 등을 크게 앞선다. 특히, 두 스캔만으로도 5년 후 뇌 부피 감소 패턴을 정밀히 재현했으며, 정상군 대비 MCI·치매군의 변형장 차이를 정량화해 조기 진단 지표로 활용할 수 있음을 보였다.

마지막으로, 본 방법은 별도 세그멘테이션 라벨이 필요 없으며, 변형장 자체를 해석함으로써 지역별 위축 속도와 방향을 직관적으로 파악한다. 이는 라벨링 비용을 크게 절감하고, 라벨링 간 일관성 문제를 회피한다는 실용적 장점을 제공한다.

요약하면, TimeFlow는 (1) 시간 조건화된 U‑Net을 통해 연속적인 변형 함수를 학습하고, (2) 대칭 보간·외삽 이미지 유사도와 변형 흐름 일관성 손실을 결합해 명시적 시간 스무딩 없이도 시간 연속성을 보장하며, (3) 두 시점만으로 미래 뇌 구조를 정확히 예측하고, (4) 라벨 프리 방식으로 노화·병리 분석을 가능하게 하는 혁신적인 프레임워크이다.