기술 요약: OncoReg: 종양학적 과제를 위한 의료 영상 등록

1. 문제 정의

OncoReg 챌린지는 종양학, 특히 영상 유도 방사선 치료(IGRT)의 맥락에서 정확한 영상 등록(image registration)에 대한 절실한 필요성을 다룹니다. 핵심적인 임상적 과제는 치료 전 획득한 고해 resolution 진단용 팬빔 CT(FBCT)와 치료 세션 중에 획득한 저선량, 아티팩트가 많은 인터벤션 콘빔 CT(CBCT) 간의 정렬입니다.

이 등록 작업은 다음과 같은 몇 가지 요인으로 인해 복잡해집니다:

• 모달리티 차이: FBCT와 CBCT 사이의 상당한 강도(intensity) 변화 및 아티팩트.
• 호흡 운동: 최대 흡기(FBCT)와 최대 호기(CBCV) 단계 사이의 불일치.
• 해부학적 변화: 치료 과정(수개월) 동안 발생하는 종양 수축, 체중 감소 및 장기 변형.
• 데이터 프라이버시: 종양학에서 생성되는 방대한 양의 의료 데이터는 환자 개인정보 보호 제한으로 인해 활용되지 못하는 경우가 많으며, 이는 강력한 AI 모델을 훈련하는 데 필요한 대규모 주석 데이터셋의 공개를 방해합니다.

OncoReg는 연구자들이 공공 데이터를 사용하여 알고리즘을 개발하고, 데이터가 보안 병원 네트워크를 벗어나지 않고도 비공개된 숨겨진 임상 데이터에서 이를 검증할 수 있도록 하는 2단계 프레임워크를 활용하여 프라이버시 장벽을 극복하는 것을 목표로 합니다.

2. 방법론 및 챌린지 설계

챌린지 프레임워크

본 챌린지는 Learn2Reg 챌린지의 토대 위에 구축된 두 개의 뚜렷한 단계로 구성되었습니다:

1. Phase 1 (ThoraxCBCT): The Cancer Imaging Archive (TCIA) 4D-Lung 데이터셋에서 유래한 공개 데이터셋을 사용하는 Type 1/Type 2 챌린지입니다. 참가자들은 11명의 환자 데이터로 알고리즘을 개발하고 3명의 환자 데이터로 검증했습니다.
2. Phase 2 (OncoReg): University Hospital Schleswig-Holstein (UKSH)의 완전히 숨겨진 비공개 데이터셋을 사용하는 Type 3 챌린지입니다. 참가자들은 훈련된 알고리즘(컨테이너화됨)을 제출했으며, 주최 측은 이를 재학습시켜 27명의 숨겨진 환자(3-fold 교차 검증 설정 내에서 15명 훈련, 3명 검증, 9명 테스트)에 대해 평가했습니다. 이 단계에서는 데이터가 공공 데이터셋과 다른 스캐너 및 기관에서 유래했으므로 도메인 시프트(domain shift)가 도입되었습니다.

데이터 특성

• ThoraxCBCT: 19개 케이스 (11 훈련, 3 검증, 5 테스트). 영상은 390x280x300 복셀(1.0 mm 등방성)로 리샘플링되었습니다. 주석에는 13개의 반자동 구조물과 쌍당 약 16개의 수동 랜드마크가 포함되었습니다.
• OncoReg: 27개 케이스. 영상은 256x192x192 복셀(1.5 mm 등방성)로 리샘플링되었습니다. 주석은 더욱 포괄적이며, 쌍당 52개의 반자동 구조물과 약 25개의 수동 랜드마크를 특징으로 합니다. 결정적으로, OncoReg 데이터셋은 호흡 단계가 동기화되지 않아 더 현실적인 임상 시나리오를 제시했습니다.

평가 지표

성능은 견고성을 보장하기 위해 다중 지표 접근 방식을 사용하여 평가되었습니다:

• Target Registration Error (TRE): 수동 랜드마크 간의 거리.
• Dice Similarity Coefficient (DSC): 세그멘테이션 마스크의 중첩도.
• Hausdorff Distance 95th Percentile (HD95): 표면 거리의 견고성.
• Standard Deviation of Log Jacobian (SDlogJ): 변형 필드의 매끄러움.
• Runtime (실행 시간): 측정되었으나 이 특정 벤치마크의 순위 결정에는 포함되지 않았으며, 정확도를 우선시했습니다.

순위는 모든 지표에 대한 통계적 유의성 검정(Wilcoxon signed-rank test)의 기하 평균에 의해 결정되었습니다.

제출된 방법론들

고전적 최적화부터 딥러닝에 이르기까지 다양한 접근 방식이 참여했습니다:

• DINO-Reg & Ensemble: DINOv2(Vision Transformer)를 사용하여 자기 지도 학습 기반의 특징 추출을 수행한 후 경사 하강법 최적화를 사용했습니다. 앙상블은 DINO 특징과 MIND(Modality Independent Neighbourhood Descriptors) 특징을 결합했습니다.
• Fourier-Net: FFT를 통해 저주파 변위 표현을 학습하고 인스턴스 수준의 최적화로 정교화하는 모델 기반 접근 방식입니다.
• SSKJLBW: 노이즈와 큰 변형을 처리하기 위해 다중 스케일 특징 융합과 동적 템플릿 진화를 사용하는 비지도 단일 샷(single-shot) 프레임워크입니다.
• SynDeeds: CBCT 품질을 복원하기 위해 학습 기반의 영상 합성 모듈을 통합한 향상된 DeedsBCV 방식입니다.
• TimH (ConstrICON): Lie group 파라미터화를 사용하여 구조적으로 역방향 일관성(inverse consistency)을 보장하는 프레임워크로, FBCT를 CBCT의 시야(field-of-view)에 맞게 크롭하는 광범위한 전처리를 특징으로 합니다.
• Voxolemorph++: 히트맵 기반 변위 예측, 약지도 학습 기반 키포인트 대응, 인스턴스 최적화가 확장된 VoxelMorph 모델입니다.

3. 주요 결과

ThoraxCBCT (공개 데이터)

• 상위 수행 모델: SynDeeds가 공식 우승을 차지했으며, 가장 높은 평균 DSC(70.16%)를 달 achievement했습니다. ConvexAdam(주최 측이 제공한 베이스라인)은 모든 지표에서 가장 높은 종합 순위(Rank 0.710)와 가장 낮은 TRE(4.93 mm)를 기록했으나, 공식 우승 자격은 없었습니다.
• 성능 트렌드: 큰 구조물(폐)은 모든 방법에서 높은 정확도로 등록되었습니다. 작고 길쭉한 구조물(식도, 척수)은 여전히 어려운 과제로 남았습니다.
• 지표 간 차이: Fourier-Net은 가장 낮은 TRE를 달성했으나 DSC는 낮았고, SynDeeds와 ConvexAdam은 약간 더 높은 TRE와 함께 강한 DSC를 보여주었습니다. 이는 서로 다른 지표가 등록 품질의 서로 다른 측면을 포착함을 나타냅니다.

OncoReg (비공개 데이터)

• 상위 수행 모델: TimH는 FBCT를 CBCT의 시야에 맞게 크롭하는 전처리 전략 덕분에 HD95(6.92 mm)와 TRE30에서 탁월한 성과를 보이며 최고의 종합 성능(Rank 0.73)을 달성했습니다. DINO-Reg Ensemble이 낮은 중앙값 TRE(3.94 mm)와 높은 DSC(63.89%)를 기록하며 근소한 차이로 그 뒤를 이었습니다(Rank 0.67).
• 일반화: 인스턴스 수준의 최적화(예: DINO-Reg)에 크게 의존하는 방법들은 강력한 성능을 보였으나 실행 시간(>300초)이 높았습니다. ConvexAdam은 5초 미만의 실행 시간으로 경쟁력 있는 성능을 유지했습니다.
• 도메인 시프트: 여러 방법이 ThoraxCBCT와 OncoReg 사이에서 서로 다른 성능을 보였으며, 이는 도메인 시프트(스캐너 차이, 획득 프로토콜)의 영향을 강조합니다. 예를 들어, NiftyReg는 ThoraxCBCT에서는 상대적으로 잘 작동했으나, 시야 불일치를 처리하지 못한 OncoReg의 왜곡된 데이터에서는 어려움을 겪었습니다.

4. 주요 기여 및 발견

본 논문은 다음과 같은 주요 기여와 통찰을 제시합니다:

1. 프라이버시 보존 벤치마킹: Type 3 챌린지 프레임워크의 성공적인 구현은 민감한 의료 데이터에 대한 공개 없이도 고품질의 알고리즘 개발 및 검증이 가능하다는 것을 입증하며, 이는 일반화 가능한 AI 모델 개발을 촉진합니다.
2. 특징 추출의 중요성: 상위 순위의 방법들(ConvexAdam, DINO-Reg)은 강력한 특징 추출 전략에 크게 의존했습니다. 논문은 특징 표현이 성공적인 등록의 초석이며, 그 특징이 수작업(ConvexAdam)이든 자기 지도 학습(DINO-Reg)을 통해 학습된 것이든 상관없다는 결론을 내립니다.
3. 전처리와 도메인 적응: TimH의 성공은 전처리 선택, 특히 부분적인 시야(field-of-view) 중첩 처리와 도메인 적응이 등록 아키텍처 자체만큼이나 중요할 수 있음을 강조합니다. FBCT와 CBCT 사이의 해부학적 범위 불일치를 무시하면 심각한 경계 오류가 발생합니다.
4. 지표의 상보성: 분석 결과 TRE와 DSC 사이에 중간 정도의 음의 상관관계($\rho = -0.52$)가 있음이 밝혀졌으며, 이는 랜드마크 정확도와 세그멘테이션 중첩이 등록 품질의 서로 다른 측면을 포착함을 확인시켜 줍니다. 단일 지표만으로는 충분하지 않으며, 다중 지표 평가가 필수적입니다.
5. 하이브리드 접근 방식: 클래식한 방법과 딥러닝을 결합하는 것(예: ConvexAdam 키포인트를 사용하여 VoxelMorph++를 정교화)이 유망함을 보여주었으며, 이는 특정 맥락에서 하이브리드 파이프라인이 순수 딥러닝 또는 순수 최적화 방식보다 뛰어날 수 있음을 시사합니다.

5. 의의 및 주장

저자들은 OncoReg가 방사선 치료를 위한 FBCT-to-CBCT 등록에 대한 포괄적인 벤치마크를 제공하며, 변형 영상 등록(deformable image registration)의 현재 상태에 대한 통찰을 제공한다고 주장합니다. 본 연구의 의의는 다음과 같습니다:

• 임상적 관련성: IGRT의 특정 과제(모달리티 불일치, 호흡 운동, 해부학적 변화)에 집중함으로써, 적응형 방사선 치료에 대한 직접적인 임상적 요구를 해결합니다.
• 방법론적 통찰: 결과는 딥러닝이 강력하지만, 클래식한 최적화와 특징 공학이 여전히 중요하다는 점을 강조합니다. 논문은 향후 발전이 단순히 새로운 아키텍처뿐만 아니라 더 나은 특징 추출, 도메인 적응, 그리고 부분적인 영상 중첩 처리에 달려 있다고 제안합니다.
• 향후 방향: 저자들은 향후 챌린지에 더 큰 규모의 다기관 데이터셋, 더 광범위한 교차 검증, 그리고 현재 상위 성능 모델들이 흔히 의존하는 비용이 많이 드는 인스턴스 수준 최적화와 정확도 사이의 균형 잡힌 계산 효율성 고려를 포함할 것을 완곡하게 제안합니다.

논문은 가장 높은 성능을 보인 방법들이 인상적인 정확도를 달성했지만, 정확도, 견고성, 그리고 계산 효율성 사이의 트레이드오프가 일상적인 임상 배포를 가능하게 하기 위한 중요한 연구 분야로 남아있다고 결론짓습니다.