MRI에서 PET로 변환하는 병리 인식 확산 모델 PASTA

** 본 논문은 알츠하이머와 같은 신경퇴행성 질환 진단에 필수적인 기능적 정보를 제공하는 PET 영상의 접근성을 향상시키기 위해, 구조적 MRI 데이터를 기반으로 고품질 PET 영상을 합성하는 새로운 방법론을 제시한다. 기존 연구들은 주로 GAN 기반 모델을 활용해 MRI와 PET 사이의 도메인 차이를 메꾸려 했지만, 구조 보존에만 집중하고 병리적 세부 정보를 충분히 반영하지 못한다는 문제점을 가지고 있었다. 이러한 한계를 극복하고자 저자들은 ‘PASTA( Pathology‑Aware Synthetic Translation Architecture )’라는 이름의 조건부 확산 모델을 설계하였다. PASTA의 핵심은 대칭형 듀얼‑암(dual‑arm) 구조이다. 첫 번째 팔인 ‘컨디셔너(Conditioner) 팔’은 입력 MRI를 다중 스케일 특징 맵(h_m)으로 변환한다. 이 과정에서 MRI 재구성, MRI‑to‑PET 번역 등 사전 정의된 작업을 수행하도록 학습되며, 손실 함수는 픽셀‑레벨 L1/L2 거리와 함께 작업‑특정 목표를 포함한다. 두 번째 팔인 ‘디노이저(Denoiser) 팔’는 전통적인 DDPM의 역확산 과정을 담당한다. 여기서는 노이즈가 섞인 잠재 변수 x_t를 점진적으로 정제해 PET 영상을 복원한다. 두 팔 사이의 정보 교환은 ‘적응형 그룹 정규화(AdaGN)’ 모듈을 통해 이루어진다. AdaGN은 현재 확산 시점 t, 임상 메타데이터 c(예: 연령, 성별, APOE 유전자형 등), 그리고 컨디셔너 팔에서 추출한 h_m을 입력으로 받아, 각 레지듀얼 블록의 정규화 파라미터(스케일·바이어스)를 동적으로 조정한다. 이로써 확산 과정 전반에 걸쳐 병리적 신호가 유지되며, 특히 저대사 영역과 같은 미세한 PET 변화를 정확히 반영한다. 학습 단계에서는 두 가지 추가 전략을 도입한다. 첫째, ‘사이클 교환 일관성(Cycle Exchange Consistency)’이다. 컨디셔너 팔이 생성한 중간 표현을 디노이저 팔의 출력에 다시 입력함으로써, 양쪽 팔이 서로의 출력을 검증하고 보완하도록 만든다. 이는 모델이 단순히 평균적인 변환을 학습하는 것을 방지하고, 병리적 특성을 보존하는 데 기여한다. 둘째, ‘볼륨 생성 전략(Volumetric Generation)’이다. 3D PET를 직접 생성하면 메모리 요구량이 급증하지만, PASTA는 2D 슬라이스 기반 백본을 사용해 연속적인 슬라이스를 순차적으로 생성한다. 인접 슬라이스의 특징을 AdaGN에 전달해 슬라이스 간 경계에서 발생할 수 있는 아티팩트를 최소화하고, 최종적으로 일관된 3D 볼륨을 얻는다. 실험은 ADNI 데이터셋과 자체 수집한 다기관 뇌 MRI‑PET 페어링 데이터를 활용했다. 정량적 평가는 MAE, PSNR, SSIM, 그리고 구조적 유사도 지표를 사용했으며, PASTA는 기존 SOTA‑DM, BPGAN, RevGAN 등과 비교해 MAE를 평균 12 % 낮추고 SSIM을 0.04 향상시켰다. 특히 저대사 영역(측두엽·두정엽)의 SUV 감소 패턴을 정확히 재현해, 병리적 민감도가 크게 개선되었다. 임상적 유용성을 검증하기 위해 합성 PET를 이용한 알츠하이머 분류 실험을 수행했다. 기존 MRI 기반 분류 모델의 정확도가 78 %였던 반면, 합성 PET를 추가했을 때 82 %로 4 % 상승했으며, ROC‑AUC 차이는 0.02 이하로 실제 PET와 거의 동일한 성능을 보였다. 이는 합성 PET가 실제 PET와 유사한 진단 정보를 제공함을 의미한다. 한계점으로는 대규모 페어링 데이터가 필요하고, 임상 메타데이터의 품질에 따라 성능 변동이 있다는 점을 지적한다. 또한, 현재는 FDG‑PET에만 초점을 맞추었으며, 다른 방사성 추적자(예: amyloid PET)로의 확장은 추가 연구가 필요하다. 향후 연구 방향으로는 (1) 비지도 학습 기반 사이클 일관성 강화, (2) 멀티‑트레이서 PET 합성, (3) 실시간 임상 적용을 위한 경량화 모델 설계 등을 제시한다. 결론적으로, PASTA는 병리 인식을 핵심 목표로 삼은 최초의 조건부 확산 기반 MRI‑to‑PET 변환 프레임워크이며, 구조적 정확도와 병리적 민감도를 동시에 달성함으로써 의료 영상 합성 분야에 새로운 패러다임을 제시한다. **