Cross-Dataset Linkage of Brain MRI using Image Similarity Measures

기술 요약: 이미지 유사도 측정을 활용한 뇌 MRI 의 교차 데이터셋 연결

문제 제기
머리 자기공명영상 (MRI) 데이터는 직접 식별자 제거를 의무화하는 엄격한 규제 체계 (예: GDPR, HIPAA) 하에서 연구 목적으로 routinely 공유됩니다. 표준적인 개인정보 보호 기술로는 '얼굴 변형 (defacing, 얼굴 특징 제거)'과 '두개골 제거 (skull-stripping, 뇌 실질 분리)'가 포함됩니다. 그러나 중요한 개인정보 보호 격차가 존재합니다. 두개골 제거 후에도 뇌 실질은 참가자 고유의 해부학적 패턴을 유지하기 때문입니다. 이전 연구들은 뇌 MRI 가 대상자 연결을 지원할 수 있음을 입증했으나, 대부분 개별 대상자당 여러 개의 라벨이 지정된 스캔을 훈련에 필요로 하는 지도 학습 방법에 의존하거나, 동일 스캐너, 짧은 간격, 건강한 코호트에만 국한되었습니다. 인지 저하가 존재하는 상황에서 서로 다른 데이터셋, 스캐너, 획득 프로토콜, 시간점에서 두개골 제거된 T1 가중 MRI 스캔을 연결할 수 있는 단순하고 비지도적이며 계산 효율적인 방법에 대한 증거는 부족했습니다.

방법론
저자들은 표준 전처리 및 이미지 유사도 측정을 사용하여 교차 데이터셋 MRI 연결의 실현 가능성을 평가하기 위한 구조화된 비지도 파이프라인을 제안했습니다. 본 연구는 두 단계로 수행되었습니다:

1. 사전 평가 (시뮬레이션 데이터셋):

   • 두 개의 시뮬레이션 데이터셋이 생성되었습니다: SHCP(Human Connectome Project 기반) 와 SLDM(LDM 100K 합성 데이터셋 기반).
   • 각 데이터셋은 100 개의 원본 이미지와 다양한 영상 환경을 모방하기 위해 400 개의 변형된 변이체 (아핀 변환, 강도 이동, 대비 조정, 편향 필드 증강) 를 포함했습니다.
   • 다음으로 구성된 맞춤형 조화 파이프라인이 적용되었습니다:
     • 아핀 등록: ANTs 를 사용하여 MNI ICBM 152 대뇌 지도 (atlas) 에 정렬.
     • 강도 조화: Z-score 정규화, N4 편향 필드 보정, 표준 대뇌 지도에 대한 히스토그램 매칭.
     • 두개골 제거: deepbet 을 사용하여 뇌 마스크 재생성하여 분석이 뇌 영역으로만 제한되도록 함.
   • 11 가지 이미지 유사도 측정치 (예: SSIM, NMI, PCC, GradSim, NFID) 가 평가되었습니다. 매칭 과정에서 정답 레이블 없이 참가자 내 쌍과 참가자 간 쌍을 구분하기 위해 커널 밀도 추정 (KDE) 을 사용한 클러스터링 기반 임계값 접근법이 활용되었습니다.

2. 평가 (실제 세계 데이터셋):

   • 해당 파이프라인은 5 개의 독립적인 공개 데이터셋에서 테스트되었습니다: 호르몬 건강 연구 (HHS), 운동 중재 연구, 이동 인간 팬텀 (THP), 샌디에고 주립대학교 이동 참가자 (SDSU-TS), 그리고 알츠하이머병 신경영상 이니셔티브 (ADNI).
   • 이러한 데이터셋은 스캐너 유형 (Siemens, GE, Philips), 자기장 세기 (1.5T 및 3T), 보간 크기, 획득 프로토콜, 그리고 인지 상태 (건강, 경도 인지 장애, 치매) 에서 현저한 차이를 보였습니다.
   • ADNI 데이터셋은 특히 인지 저하를 경험한 참가자들의 ADNI-1 과 ADNI-2 스캔 (서로 다른 프로토콜 및 최대 108 개월의 시간 간격) 을 연결하는 엄격한 테스트 사례를 제공했습니다.
   • ADNI 데이터는 CAT12 툴박스를 사용하여 처리되어 다른 조화 기법에서도 결과가 유효함을 검증했습니다.

주요 결과

• 비지도 연결의 실현 가능성: 연구는 평가된 모든 데이터셋에서 거의 완벽한 매칭 정확도를 달성했습니다. 종단 데이터셋 (HHS 및 운동 중재 연구) 에서 시스템은 Area Under the Curve (AUC), 민감도, 특이도가 1.000에 달했습니다.
• 변동성에 대한 강건성:
  • 교차 스캐너/프로토콜: 서로 다른 스캐너와 사이트를 포함하는 이동 인간 팬텀 및 SDSU-TS 데이터셋은 각각 0.961 및 0.986 이상의 AUC 를 산출했습니다.
  • 인지 저하: 경도 인지 장애 (MCI) 와 치매로 진행하는 참가자를 포함한 ADNI 데이터셋에서 파이프라인은 SSIM 과 PCC 를 사용하여 완벽한 성능 (AUC = 1.000) 을 유지했습니다. 이는 신경퇴행성 구조적 변화에도 불구하고 개인 고유의 해부학적 서명이 지속됨을 나타냅니다.
  • 시간 간격: 스캔 간 간격이 12 개월에서 108 개월까지 다양함에도 성공적인 연결이 입증되었습니다.
• 효율성: 해당 파이프라인은 계산적으로 효율적입니다. 표준 CPU 에서 단일 이미지를 조화하는 데 약 87 초가 소요되었으며, 모든 유사도 측정을 계산하는 데 6 초가 걸렸습니다.
• 측정치 성능: 구조적 유사도 지수 (SSIM), 정규화 상호 정보량 (NMI), 기울기 유사도 (GradSim), 피어슨 상관 계수 (PCC) 는 다른 측정치들보다 일관되게 우수한 성과를 보였습니다. 음의 프리셰트 인셉션 거리 (NFID) 는 가장 약한 분리를 보여주었습니다.

의의 및 주장
본 논문은 표준 오픈소스 전처리 파이프라인을 거친 후 직접적인 이미지 유사도 계산을 수행하는 것만으로도 서로 다른 데이터셋 간의 두개골 제거된 T1 가중 뇌 MRI 스캔을 연결하기에 충분하다는 경험적 증거를 제공한다고 주장합니다.

• 개인정보 보호 함의: 이러한 발견은 이전에 과소평가되었던 재식별 위험을 강조합니다. 저자들은 GDPR 과 같은 규제 체계 하에서 "자연인을 식별하는 데 사용될 가능성이 합리적으로 있는 수단"의 존재가 평가되어야 한다고 주장합니다. 오픈소스 도구가 훈련 데이터 없이 스캔을 연결할 수 있으므로, 보조 정보와 결합될 때 뇌 MRI 는 현재 가정되는 것만큼 익명화되어 있지 않을 수 있습니다.
• 규제적 맥락: 본 연구는 가명화 (pseudonymization) 에 관한 GDPR 개념을 운영화합니다. 불법적인 수단 (예: 제한된 실제 세계 데이터에 접근) 을 사용한 재식별 위험은 "합리적"이지 않을 수 있지만, 이러한 단순한 방법을 통해 가명화된 데이터를 다른 연구 데이터와 연결할 위험은 상당하다는 점을 시사합니다.
• 정책 권고안: 저자들은 다음과 같은 강력한 데이터 거버넌스를 옹호합니다:
  • 이전 MRI 연구 참여 여부에 대해 명시적으로 묻는 동의서 업데이트.
  • 데이터 공개 전에 데이터 보호 영향 평가 (DPIA) 수행.
  • 참가자들에게 교차 연구 연결 위험을 알리기 위한 조직적 조치 구현.

본 논문은 두개골 제거 후에도 T1w MRI 가 데이터베이스 간의 강력한 연결고리로 작용할 수 있으므로, 신경영상 연구에서 현재 데이터 공유 정책과 개인정보 보호 장치를 재평가해야 한다고 결론지었습니다.