신생아 뇌 MRI 모션 아티팩트 제거를 위한 사이클GAN 기반 자동 세분화

본 논문은 조산아 신생아의 뇌 발달 평가에 필수적인 조직 세분화를 방해하는 모션 아티팩트를, 재구성된 T2‑weighted MRI 이미지 자체에서 제거하는 방법을 제안한다. 기존 연구는 k‑space 단계에서 모션을 보정했지만, 실제 임상에서는 재구성된 이미지만 보관되는 경우가 많아 적용이 어려웠다. 저자들은 이러한 제한을 극복하기 위해 사이클GAN을 이용해 ‘모션 → 무모션’과 ‘무모션 → 모션’ 변환을 동시에 학습시켰다. 사이클GAN은 두 개의 변환 네트워크(MC, MG)와 두 개의 판별기(D_MC, D_MG)로 구성된다. MC는 모션이 있는 슬라이스를 무모션 슬라이스로 변환하고, MG는 그 결과를 다시 원본 모션 슬라이스로 복원한다. D_MC와 D_MG는 각각 실제 무모션(또는 모션) 슬라이스와 생성된 슬라이스를 구분하도록 학습한다. 이때 adversarial loss와 λ=10으로 가중된 cycle‑consistency loss를 결합해 변환의 일관성을 유지한다. Generator는 2개의 stride‑2 컨볼루션, 9개의 Residual Block, 2개의 fractionally‑strided convolution을 사용해 고해상도 이미지를 보존하면서 복잡한 변형을 학습한다. 판별기는 70×70 패치를 평가하는 PatchGAN 구조로, 지역적인 텍스처 차이를 효과적으로 감지한다. 학습 데이터는 15개의 무모션 스캔과 20개의 모션 스캔에서 각각 700·와 714개의 슬라이스를 추출해 구성했으며, 배치 사이즈 4, 학습률 5e‑5, 100 epoch 동안 Adam 옵티마이저로 최적화하였다. λ는 10으로 설정해 cycle loss의 비중을 강조했다. 세분화 단계에서는 3D U‑Net 변형 네트워크를 사용했다. 컨트랙팅 경로는 10개의 3×3 Conv‑ReLU와 max‑pooling, 채널 수는 32→512로 증가한다. 익스팬딩 경로는 업샘플링 후 2×2 Conv와 컨트랙팅 경로의 피처를 concatenate하고, 최종 1×1 Conv로 8개의 조직 클래스를 출력한다. 배치 정규화와 Dice loss 평균을 최소화하는 손실 함수를 사용했으며, 5개의 무모션 스캔(총 256×256×3 패치)으로 200 epoch, 학습률 1e‑4, 배치 사이즈 6으로 훈련하였다. 성능 평가는 두 가지 방식으로 진행되었다. 첫째, MG를 이용해 무모션 이미지에 인위적으로 모션을 합성하고, 해당 합성 이미지에 대해 수동 라벨을 이용해 Dice, Hausdorff distance, Mean surface distance를 측정했다. 둘째, 실제 모션이 있는 40개 스캔에 MC를 적용한 후, 교정 전후 이미지와 자동 세분화 결과를 5점 Likert 척도로 주관적 평가했다. 결과는 다음과 같다. 무모션 이미지에 대한 최상위 세분화 성능은 Dice 평균 0.90, HD 44.9 mm, MSD 0.36 mm였다. 모션이 합성된 이미지에서는 Dice가 0.87, HD 52.3 mm, MSD 0.62 mm로 감소했지만, MC를 적용해 교정한 후에는 Dice가 0.90, HD 45.1 mm, MSD 0.46 mm로 회복되었다. 데이터 증강(무모션 이미지에 MG로 합성한 모션 이미지 포함)으로 훈련한 세분화 모델은 Dice가 0.91, HD 45.6 mm, MSD 0.45 mm까지 향상되었다. 주관적 평가에서도 이미지 품질이 2→3점, 세분화 품질이 3→4점으로 각각 향상되었다. 이 연구는 (1) 이미지 공간에서 사이클GAN을 이용한 모션 보정이 실용적이며, (2) 무모션 라벨이 있는 데이터만으로도 무모션↔모션 변환을 학습할 수 있음을, (3) 모션 합성을 통한 데이터 증강이 세분화 정확도를 실질적으로 높인다는 점을 입증한다. 한계점으로는 슬라이스 기반 2D 변환이 3D 연속성을 완전히 보존하지 못하고, 훈련 데이터가 비교적 제한적이라는 점이다. 향후 연구에서는 3D 사이클GAN 설계와 대규모 다기관 데이터 확보를 통해 일반화 성능을 검증할 필요가 있다.