Evaluating Synthetic Data Generation for Domain Generalization in Fetal Brain MRI Segmentation

기술 요약: 태아 뇌 MRI 분할을 위한 도메인 일반화를 위한 합성 데이터 생성 평가

문제 정의
자기공명영상(MRI)을 이용한 태아 뇌 조직 분할은 신경 발달 연구 및 이상 탐지에 필수적이다. 그러나 스캐너 하드웨어, 자기장 세기(0.55T에서 3T 범위), 획득 프로토콜, 초해상도(SR) 재구성 방법, 그리고 임신 주수의 변화로 인해 발생하는 심각한 도메인 시프트(domain shifts)로 인해 자동화된 분석이 저해된다. 이러한 요인들은 훈련 데이터와 테스트 데이터 사이에 분포 불일치를 생성하여 일반화 성능을 저하시킨다. 또한, 주석(annotation)이 달린 태아 데이터의 희소성과 수동 분할에 드는 높은 비용(종종 케이스당 몇 시간 소요)은 다양하고 대규모인 훈련 세트의 가용성을 제한한다. 단일 소스 도메인 일반화(SSDG)는 하나의 소스 도메인에서 학습하여 보지 못한 타겟 도메인으로 일반화하는 것을 목표로 하지만, 기존 방법들은 태아 영상 특유의 형태학적 변화와 제한된 조직 대조도를 처리하는 데 어려움을 겪는 경우가 많다.

방법론
저자들은 SSDG를 위한 **도메인 무작위화(Domain Randomization, DR)**의 효능을 조사하며, 특히 물리 기반 시뮬레이션과 강도 기반 무작위화 전략을 비교한다. 본 연구는 SynthSeg을 태아 MRI에 맞게 확장한 FetalSynthSeg 프레임워크에 초점을 맞춘다.

1. 합성 데이터 생성 전략:

   • 물리 기반 (FaBiAN): 문헌상의 T1/T2 값을 기반으로 T2 강조 영상을 시뮬레이션하기 위해 수치적 팬텀(numerical phantoms)과 확장 위상 그래프(EPG) 형식을 사용한다.
   • 무작위 물리 (randFaBiAN): FaBiAN과 유사하지만, 제약이 없는 넓은 분포에서 T1/T2 값을 샘플링한다.
   • 가우시안 혼합 모델 (GMM) 무작위화 (SynthSeg): 물리적 신호 모델링에 의존하지 않고, 무작위화된 강도 파라미터, 바이어스 필드(bias fields) 및 아티팩트를 포함한 GMM을 사용하여 라벨 맵으로부터 합성 영상을 생성한다.
   • FetalSynthSeg: 거친 수준의 태아 주석(7개 클래스) 문제를 해결하기 위해 다음을 수행하는 향상된 GMM 접근 방식이다:
     • 라벨을 네 가지 메타 클래스(백질, 회백질, 뇌척수액, 비뇌 조직)로 그룹화한다.
     • 이러한 메타 클래스 내에서 비지도 강도 기반 클러스터링(기댓값 최대화, EM)을 적용하여 하위 클래스를 생성한다.
     • 각 하위 클래스 내의 이질성을 모델링하기 위해 독립적인 GMM 파라미터를 샘플링한다.

2. 훈련 및 베이스라인:

   • 모든 모델은 결합된 Dice + Cross-Entropy 손실 함수로 훈련된 표준 3D U-Net 백본을 사용한다.
   • 베이스라인: 본 연구는 FetalSynthSeg를 다음 모델들과 비교한다:
     • FetalRealSeg: 표준 증강(augmentation)을 적용하여 실제 영상으로만 훈련된 모델.
     • RealSynthHybrid: 실제 데이터와 합성 데이터를 50/50으로 혼합한 모델.
     • 최신 기술(SoTA): BOUNTI, FeTA 2024 우승 모델(cesne-digair), 그리고 nnU-Net 앙상블.

3. 실험 설계:

   • 실험은 네 곳의 사이트(KISPI, VIEN, CHUV, KCL)와 dHCP 데이터셋을 포함하는 348명의 태아 피험자를 대상으로 하며, T1w 및 T2w 대조도와 다양한 자기장 세기를 다룬다.
   • 평가는 교차 도메인 테스트(한 사이트/SR 방법으로 훈련하고 다른 사이트에서 테스트), 강도 클러스터링에 대한 어블레이션 연구(ablation study), 그리고 T2 매핑을 위한 다중 에코 시간(multi-echo time, TE) 데이터에 대한 전향적 검증을 포함한다.

주요 기여

1. 생성 전략의 비교: 본 논문은 물리 기반 시뮬레이션과 무작위화 기반 강도 생성을 체계적으로 평가하여, 단순한 GMM 기반 모델링이 복잡한 물리 기반 시뮬레이션보다 도메인 일반화에 더 효과적임을 입증한다.
2. FetalSynthSeg 프레임워크: 저자들은 메타 라벨 그룹화와 강도 하위 클러스터링을 결합한 방법을 제안한다. 이 접근 방식은 거친 주석에도 불구하고 태아 조직의 이질성을 포착하여 Out-of-Domain(OOD) 강건성을 크게 향상시킨다.
3. 모달리티 전반의 강건성: 연구는 FetalSynthSeg가 T2w 데이터셋에서 최신 기술 수준의 성능을 달성함을 보여주며, 처음으로 오직 합성 T2w 데이터로만 훈련된 단일 네트워크를 통해 T1 강조(T1-weighted) 태아 뇌 영상을 안정적으로 분할(dHCP-T1w에서 80 Dice 점수)할 수 있음을 보여준다.
4. 전향적 검증: 0.55T에서의 전향적으로 획득된 다중 TE 데이터에 대해 방법을 검증하였으며, 다른 방법들이 실패하는 지점에서도 일관된 분할 성능을 보여주었다.

결과

• 성능: FetalSynthSeg는 교차 도메인 실험에서 74.9의 글로벌 평균 Dice 점수를 기록하여 FaBiAN (63.3), randFaBiAN (68.3), 표준 SynthSeg (72.2)를 능가했다.
• 어블레이션: 강도 하위 클러스터링이 결정적임을 발견했다. 성능 이득은 약 6개의 하위 클래스에서 포화되었다. 메타 클래스 전략은 표준 SynthSeg 대비 약 2 Dice 포인트의 추가 개선을 제공했다.
• OOD 일반화: 상당한 도메인 시프트가 있는 dHCP T1w 데이터셋에서, FetalSynthSeg는 **80.1%**의 Dice 점수를 달성한 반-면, 다른 모든 방법(실제 T2w 데이터로 훈련된 모델 포함)은 25% 미만으로 급락했다.
• In-Domain 성능: 훈련 분포와 가까운 T2w 데이터셋에서 FetalSynthSeg는 실제 데이터로 훈련된 모델(예: FetalRealSeg)과 대등하거나 약간 낮은 경쟁력을 유지했으며, 이는 합성 훈련이 반드시 인도메인 정확도를 희생시키지는 않음을 확인시켜 준다.
• 실패 모드: 모델은 심각한 병리적 사례(예: 뇌실 확장증)나 더 높은 임신 주수에서 성능 저하를 보였는데, 이는 주로 주석의 한계나 훈련 분포를 벗어난 해부학적 변화 때문이었다.

의의
본 논문은 **구조화된 강도 무작위화(structured intensity randomization)**가 물리적 근거를 둔 시뮬레이션보다 SSDG를 위한 더 효과적인 전략이라고 주장한다. 훈련 데이터 생성을 특정 획득 프로토콜에서 분리하고 넓고 무작위적인 강도 분포에 집중함으로써, FetalSynthSeg는 대조도에 구애받지 않는 모델을 생성한다. 이를 통해 타겟 도메인의 주석 없이도 다양한 자기장 세기, 재구성 방법, 그리고 모달리티(T1w 및 T2w)에 걸쳐 신뢰할 수 있는 분할을 가능하게 한다. 저자들은 이 접근 방식이 데이터가 부족한 환경에서 강건한 태아 뇌 분할을 위한 실용적이고 효율적인 경로를 제공하며, 잠재적으로 T2 매핑 및 모달리티 간 등록(registration)과 같은 다운스트림 작업을 지원할 수 있다고 제언한다. 연구를 촉진하기 위해 코드와 모델은 공개되어 있다.