A Privacy-Preserving Federated Learning Framework for Generalizable CBCT to Synthetic CT Translation in Head and Neck

기술 요약: 두경부 영역의 일반화 가능한 CBCT에서 합성 CT로의 변환을 위한 개인정보 보호형 연합 학습 프레임워크

문제 정의
원추형 빔 컴퓨터 단층촬영(CBCT)은 두경부 치료 시 치료실 내에서 볼륨 이미징을 제공하여 영상 유도 방사선 치료(IGRT)의 표준 모달리티로 사용됩니다. 그러나 CBCT 이미지는 노이즈 증가, 연조직 대조도 제한, 재구성 아티팩트 등의 문제를 겪으며, 이는 직접적인 선량 계산을 불가능하게 만드는 신뢰할 수 없는 하운스필드 단위(HU) 값으로 이어집니다. 딥러닝(DL) 방법들이 CBCT로부터 합성 CT(sCT)를 생성하는 데 성공하며 이를 해결해 왔으나, 기존 방식들은 임상적 확장성에 있어 상당한 장벽에 직면해 있습니다. 이러한 장벽에는 기관별 이질성, 스캐너 의존적 변이, 다양한 영상 프로토콜이 포함되며, 이는 종종 단일 기관 기반의 모델 학습을 강요합니다. 또한, 엄격한 데이터 프라이버시 규정(예: GDPR, HIPAA)은 견고하고 일반화 가능한 모델을 구축하기 위해 여러 기관의 의료 영상을 중앙 집중화하는 것을 방지합니다.

방법론
본 연구는 두경부 영역의 CBCT로부터 sCT를 합성하기 위한 교차 사이로(cross-silo) 수평 연합 학습(FL) 프레임워크를 제안하며, 이는 이전에 개발된 FedSynthCT-Brain 프레임워크를 새로운 영상 모달리티로 확장한 것입니다.

• 데이터 및 연합 설정: 본 연구는 공공 SynthRAD2025 챌린지 데이터셋을 활용하였으며, 연합 학습을 위해 세 개의 참여 센터(B, C, E)를 활용하고 한 개의 센터(A)를 외부 검증용으로 별도 예약하였습니다. 데이터셋은 쌍을 이룬 CBCT 및 CT 스캔과 이진 분할 마스크를 포함했습니다. 센터 간에는 특히 센터 E에서 서로 다른 스캐너(Varian TrueBeam OBI 대 Elekta XVI)를 사용하고 노출 시간, 해상도와 같은 획득 파라미터가 상이한 등 주목할 만한 이질성이 존재했습니다.
• 전처리: 일관된 공간 해상도(256 × 256 × 256)와 강도 조화(intensity harmonization)를 보장하기 위해 각 클라이언트에서 로컬하게 표준화된 분산형 전처리 파이프라인을 적용했습니다. 여기에는 금속 임플란트 아티팩트를 완화하기 위한 CBCT의 LUT 기반 정규화(범위 [-800, 2000]) 및 CT의 클리핑(범위 [-1000, 1500])이 포함되었습니다. 테스트 데이터에 대해서는 정렬 불량으로 인한 평가 편향을 최소-화하기 위해 추가적인 변형 등록(deformable registration) 단계가 적용되었습니다.
• 딥러닝 아키텍처: 핵심 모델은 Pix2Pix 아키텍처를 기반으로 하는 조건부 생성적 적대 신경망(cGAN)입니다.
  • 생성기(Generator): 드롭아웃(dropout)을 포함하여 과적합을 방지하는 8개의 인코더-디코더 블록과 스킵 연결(skip connections)을 가진 2D U-Net입니다.
  • 판별기(Discriminator): 국소적 실재성을 평가하도록 설계된 2D PatchGAN입니다.
  • 학습 전략: 일반화 성능을 높이기 위해 무작위 축상(axial), 시상(sagittal), 관상(coronal) 슬라이스를 제시하는 Random-Multi2D 샘phling 방식을 채택했습니다. 데이터 증강(플리핑, 회전, 강도 변화)은 로컬에서 적용되었습니다.
  • 손실 함수: 생성기는 적대적 손실(sigmoid cross-entropy)과 픽셀 손실(Masked Mean Absolute Error, L1)의 조합으로 최적화되었으며, $\lambda_{pixel} = 100$으로 가중치가 부여되었습니다.
• 집계 전략: 서버 측에서는 데이터 크기에 따라 클라이언트 기여도에 가중치를 두는 FedAvg(Federated Averaging)를 사용하고, 클라이언트 측에서는 FedProx를 사용하는 하이브리드 집계 전략을 활용했습니다. FedProx는 비-IID 데이터 분포로 인한 업데이트 발산을 완화하기 위해 로컬 목적 함수에 근사 항($\mu = 3$)을 도입하여 글로벌 가중치로부터의 큰 편차를 억제했습니다.

주요 결과
연합 모델은 추가적인 학습이나 미세 조정 없이도 참여 센터 및 외부 검증 세트(센터 A)에 대해 견고한 일반화 성능을 보여주었습니다.

• 정량적 성능:
  • 외부 검증 (센터 A): MAE 75.22 ± 11.81 HU, SSIM 0.904 ± 0.034, PSNR 33.52 ± 2.06 dB.
  • 학습 센터:
    • 센터 B: MAE 85.90 ± 7.10 HU, SSIM 0.882 ± 0.022.
    • 센터 C: MAE 64.38 ± 13.63 HU, SSIM 0.922 ± 0.039.
    • 센터 E: MAE 74.22 ± 13.23 HU, SSIM 0.915 ± 0.013.
• 정성적 분석: 시각적 검사를 통해 생성된 sCT가 실제 CT와 해부학적으로 일치함을 확인했습니다. 그러나 분석 결과, 잔여 오차 및 지표 저하의 주요 원인은 생성 모델 자체가 아니라, 입력 CBCT와 실제 CT(예: 구강 구조의 변화) 사이의 등록 오류(registration errors) 및 해부학적 변이임을 밝혀냈습니다.
• 일반화: 센터 E가 완전히 다른 스캐너와 프로토콜을 사용했음에도 불구하고, 모델은 다른 센터들과 대등한 성능을 유지하여, 스캐너 의존적 변이를 처리하는 프레임워크의 능력을 입증했습니다.

의의 및 주장
본 논문은 데이터 프라이버시를 엄격히 준수하면서 두경부 영역의 CBCT-to-sCT 합성을 위한 연합 학습의 기술적 타당성을 입증한다고 주장합니다. 본 연구는 다음을 확립했습니다:

1. 환자의 원시 데이터를 공유하지 않고도 기관 간 협력적 모델 학습이 가능하며, 이는 프라이버시 규정을 준수합니다.
2. 연합 접근 방식은 다양한 영상 프로토콜 및 스캐너 유형에 효과적으로 일반화되는 모델을 생성할 수 있으며, 이를 통해 단일 기관 학습의 한계를 극복할 수 있습니다.
3. 제안된 프레임워크는 FedSynthCT 패러다임을 MRI에서 CBCT로 확장하여, 적응형 방사선 치료를 위한 견고하고 센터 불가지론적인(center-agnostic) 모델에 대한 중요한 요구를 해결합니다.

저자들은 모델이 우수한 성능을 보이지만, SynthRAD2025 데이터셋에 치료 계획 데이터가 부족하여 이번 연구에서 선량 계산을 위한 임상적 통합은 평가되지 않았음을 겸허히 언급했습니다. 또한, 극단적인 HU 값(공기 주머니, 밀도 높은 뼈)이 있는 영역에서의 오차가 지속되고 있음을 인정하며, 이는 학습 데이터의 과소 표현 및 등록 부정확성 때문일 가능성이 높다고 보고, 향후 목표된 학습 전략에 대한 필요성을 시사했습니다.