3D MRI 알츠하이머 진단을 위한 위상 데이터 분석 기반 특징 추출

본 논문은 알츠하이머병(AD) 조기 진단을 위한 저비용 영상 분석 방법으로, 3차원 구조적 MRI에 위상 데이터 분석(TDA)을 적용한 새로운 특징 추출 파이프라인을 제안한다. 연구 배경에서는 AD의 병리학적 진행 단계(전임상, 경도인지장애(MCI), 치매)와 기존 영상 기반 진단의 한계(고가의 장비, 복잡한 전처리, 대규모 데이터 필요)를 언급한다. 특히, 최근 승인된 질병 수정 치료제의 등장으로 조기·정확한 진단이 임상적으로 필수적임을 강조한다. 방법론은 크게 세 단계로 구성된다. 첫 번째 단계는 3D MRI의 회색조 강도값을 0~255 구간으로 정규화하고, 256개의 임계값을 이용해 서브레벨 필터레이션을 수행해 이진 이미지 시퀀스를 만든다. 이 시퀀스는 큐빅 복합체(cubical complex)로 해석되며, 필터레이션 진행 중에 발생하는 연결 성분(0‑차), 고리(1‑차), 구멍(2‑차) 등의 위상적 사건을 기록한다. 두 번째 단계에서는 각 위상 차원별 퍼시스턴스 다이어그램(Persistence Diagram, PD)을 생성한다. PD는 ‘탄생(birth)’과 ‘소멸(death)’ 시점을 2‑튜플로 나타내어, 위상적 특징의 지속성을 시각화한다. 세 번째 단계에서는 PD를 머신러닝에 활용 가능한 형태로 변환한다. 저자는 베티 함수(Betti function)를 선택했는데, 이는 각 임계값에서 살아있는 위상적 특징의 개수를 세는 단계 함수이며, 0‑차, 1‑차, 2‑차 베티 곡선을 각각 길이 256의 벡터로 만든다. 최종적으로 3 × 256 = 768 차원의 특성 벡터가 얻어진다. 베티 함수는 짧은 수명의 ‘노이즈’ 특징도 포함하지만, 알츠하이머 MRI에서는 대부분의 위상 변이가 짧은 수명을 가지므로 전체 형태를 효과적으로 포착한다는 논리적 근거를 제시한다. 특징 벡터를 이용한 분류 모델은 XGBoost를 채택했다. XGBoost는 트리 기반 부스팅 알고리즘으로, 고차원 희소 데이터에 강하고 학습 속도가 빠르다. 모델 학습 전 별도의 데이터 정규화, 차원 축소, 데이터 증강 등을 수행하지 않았으며, 이는 위상 특징이 회전·좌우반전 등에 대해 본질적으로 불변성을 갖기 때문이다. 하이퍼파라미터는 10‑fold 교차검증 과정에서 그리드 탐색으로 최적화하였다. 실험 데이터는 ADNI(Alzheimer's Disease Neuroimaging Initiative) 데이터베이스의 T1‑weighted 3D MRI를 사용했으며, 스크리닝부터 3년 추적까지 다양한 시점의 스캔을 포함한다. 전체 데이터셋에서 중간 50개의 슬라이스만을 선택해 입력으로 사용하였다. 두 가지 분류 과제—이진(NC vs AD)와 3‑class(NC vs MCI vs AD)—에 대해 10‑fold 교차검증을 수행했다. 결과는 다음과 같다. 이진 분류에서 평균 정확도 97.43 %, 민감도 99.09 %를 기록했으며, 3‑class 분류에서는 평균 정확도 95.47 %, 민감도 94.98 %를 달성했다. 이 성능은 기존 3D CNN(ResNet‑3D, DenseNet‑3D 등) 기반 모델보다 우수했으며, 특히 데이터 증강이 필요 없는 점이 실용성을 크게 높인다. 또한, 학습 및 추론 시간, 메모리 사용량 측면에서도 딥러닝 대비 현저히 낮은 비용을 보였다. 논문의 주요 기여는 다음과 같다. ① 지속적 동형학을 3D MRI에 적용해 위상적 특징을 정량화하고, 베티 함수를 통해 간단히 벡터화함으로써 고차원 이미지 데이터를 저차원 특징으로 압축하였다. ② 베티 기반 특징이 회전·반전 등 일반적인 데이터 변환에 대해 불변성을 가지므로, 복잡한 전처리 없이도 강인한 분류 성능을 얻었다. ③ XGBoost와 결합해 작은 데이터셋에서도 과적합 없이 높은 정확도를 달성했으며, 이는 임상 현장에서 소규모 코호트에 적용 가능함을 의미한다. 한계점으로는 베티 함수 외의 다른 벡터화 기법(예: 퍼시스턴스 이미지, 실루엣)과의 비교가 부족하고, 베티 함수가 스케일에 민감할 가능성이 있다. 또한, 현재는 XGBoost 단일 모델에만 적용했으며, 베티 특징과 딥러닝 기반 이미지 특징을 결합한 하이브리드 모델이 향후 연구에서 성능을 더욱 향상시킬 수 있다. 결론적으로, 본 연구는 위상 데이터 분석을 활용한 저비용·고성능 알츠하이머 MRI 분류 방법을 제시했으며, 기존 딥러닝 기반 접근법과는 전혀 다른 유형의 정보를 제공한다는 점에서 향후 멀티모달 모델 개발에 중요한 기반이 될 것으로 기대된다.