AbdomenGen: Sequential Volume-Conditioned Diffusion Framework for Abdominal Anatomy Generation

1. 연구 배경 및 문제 정의 (Problem)

의료 영상 연구, 방사선 선량 측정, 수술 시뮬레이션 등을 위해 **계산용 팬텀 (Computational Phantoms)**이 널리 사용되지만, 기존 시스템에는 다음과 같은 한계가 존재합니다.

• 제한된 통제 가능성: 기존 방법론들은 해부학적 변이를 체계적으로 생성하거나, 특정 임상적 조건 (예: 간비대 등) 에 맞춰 조절하는 데 한계가 있습니다.
• 기존 모델의 부족:
  • XCAT 과 같은 모델 기반 팬텀은 수동 구축이나 단순한 확장에 의존하며, 의도적이고 보정된 (calibrated) 해부학적 조작을 지원하지 못합니다.
  • 완전 생성형 (Generative) 모델들은 유연성이 높지만, 대부분 단일 장기 생성에 국한되거나 잠재 공간 (latent space) 보간이 보정되지 않아 해부학적 일관성을 해칩니다.
  • MAISI 와 같은 최근 연구는 coarse volume conditioning 을 제공하지만, 고정된 해부학적 맥락 내에서 독립적인 장기별 제어를 지원하지 못합니다.
• 핵심 과제: 체형 (habitus) 을 고려하면서도 장기별 크기를 독립적으로 조절할 수 있는 다중 장기 복부 형상 합성 방법의 부재. 특히, 원시 장기 부피 (raw volume) 를 조건으로 사용하면 체형 정보와 모순되는 신호가 발생하고, 다중 장기 동시 생성 시 공간적 일관성을 유지하기 어렵습니다.

2. 제안 방법론: AbdomenGen (Methodology)

저자들은 11 개의 복부 구조물을 대상으로 **순차적 부피 조건부 확산 프레임워크 (Sequential Volume-Conditioned Diffusion Framework)**인 AbdomenGen 을 제안합니다.

가. 핵심 구성 요소

1. 부피 제어 스칼라 (Volume Control Scalar, VCS):

   • 문제 해결: 장기 부피는 전신 체형 (body habitus) 과 밀접하게 연관되어 있어, 단순히 부피를 조건으로 주면 체형 정보가 중복되거나 훈련 분포 밖의 비현실적인 데이터가 생성될 수 있습니다.
   • 해결책: 장기 부피를 전신 부피의 선형 함수로 예측한 후, 그 **잔차 (residual)**를 표준화하여 VCS 를 정의합니다.
     • $v_i = \frac{V_{ref} - \hat{V}(V_{body})}{\sigma}$
   • 효과: 이를 통해 장기 크기를 전신 체형과 **분리 (decouple)**하여 해석 가능한 제어 축을 제공하며, 체형 통계에 기반한 보정된 제어가 가능해집니다.

2. 순차적 생성 전략 (Sequential Generation Strategy):

   • 복부 장기들을 큰 구조물에서 작은 구조물로 고정된 순서대로 생성합니다.
   • 각 장기 $o_i$를 생성할 때, 신호 거리장 (Signed Distance Field, SDF) 형태로 표현된 **신체 마스크 (Body Mask)**와 **이전에 생성된 모든 장기들의 맥락 (Context SDF)**을 조건으로 입력받습니다.
   • $S_{ctx}^i = \max_{j<i} S_{o_j}$와 같이 맥락을 누적하여, 생성된 장기들이 전체 해부학적 일관성을 유지하도록 합니다.

3. 확산 아키텍처 (Diffusion Architecture with FiLM):

   • 각 장기별로 Denoising Diffusion U-Net을 학습합니다.
   • 입력은 노이즈가 섞인 장기 SDF, 신체 마스크 SDF, 맥락 SDF 입니다.
   • FiLM (Feature-wise Linear Modulation) 어댑터를 통해 VCS 스칼라를 네트워크 중간 특징에 주입하여 장기 크기를 조절합니다.
   • 손실 함수: SDF 재구성 손실 ($L_{SDF}$), 이진 교차 엔트로피 손실 ($L_{BCE}$), 컨텍스트 - 장기 중첩을 방지하는 역 Dice 페널티 ($L_{ov}$), 그리고 생성된 부피가 목표 VCS 와 일치하도록 하는 **VCS 보정 손실 ($L_{vcs}$)**을 함께 사용합니다.

3. 주요 기여 (Key Contributions)

1. AbdomenGen 프레임워크: 11 개의 복부 장기를 신체 마스크와 이전 구조물에 조건부로 순차적으로 생성하여, 공간적 일관성과 장기별 독립적 제어를 동시에 달성하는 확장 가능한 확산 모델.
2. VCS (Volume Control Scalar): 원시 부피 조건화의 모순을 해결하는 체형 분리형 조건 변수. 해석 가능하고 보정된 제어 축을 제공하여 장기 크기를 조절하면서도 해부학적 일관성을 유지합니다.
3. 분포 수준의 제어 가능성 (Distribution-level Controllability): VCS 분포를 할당하여 특정 환자 집단 (예: 간비대 환자) 에 맞는 타겟 분포를 매칭할 수 있습니다. 재학습 없이도 Wasserstein 거리를 73.6% 감소시켜 임상적으로 의미 있는 해부학적 영역을 온디맨드로 생성합니다.

4. 실험 결과 (Results)

• 데이터: 556 개의 복부 CT 스캔 (314 훈련, 42 검증, 200 테스트) 및 외부 간비대 코호트 (MERLIN) 사용.
• 기하학적 충실도 (Geometric Fidelity):
  • 간 (Liver) 생성에서 Dice 점수 0.83 ± 0.05를 기록하며 높은 기하학적 정확도를 보였습니다.
  • 다른 장기 (비장, 신장, 위) 도 양호한 성능을 보였으나, 크기가 작거나 기하학적 변이가 큰 장기에서는 성능이 다소 감소했습니다.
  • 생성된 샘플들이 훈련 데이터의 근접 이웃 (Nearest Neighbor) 과 유사한 거리를 유지하여 기억 (memorization) 이 아닌 새로운 해부학적 다양성을 생성함을 입증했습니다.
• 부피 제어 및 보정:
  • VCS 를 [-3, +3] 범위에서 스윕했을 때, 모든 장기에서 일관되고 해석 가능한 부피 변화 (선형 또는 증폭된 성장) 를 보였습니다.
  • 간비대 코호트 매칭: 최적의 VCS(4.9) 를 선택하여 훈련 데이터와 MERLIN 간비대 코호트 간의 Wasserstein-1 거리를 **899.5 mL 에서 237.0 mL (73.6% 감소)**로 줄였습니다.
• 다중 장기 독립 제어: 간과 비장의 VCS 를 독립적으로 조절했을 때, 한 장기의 변화가 다른 장기에 미치는 교차 결합 (cross-organ coupling) 이 최소화되어, 훈련 분포의 고밀도 영역을 벗어난 희귀한 조합도 탐색 가능했습니다.

5. 의의 및 결론 (Significance)

• 임상적 유용성: 이 프레임워크는 재학습 없이도 특정 임상 조건 (예: 병리적 장기 비대) 에 맞는 팬텀 군집을 생성할 수 있어, 의료 영상 연구, 분할 알고리즘의 스트레스 테스트, 시뮬레이션 파이프라인 등에 즉시 활용 가능합니다.
• 통계적 기반: 단순한 잠재 공간 보간이 아닌, 통계적으로 근거 있는 VCS 를 통해 장기 크기를 체형과 분리하여 제어함으로써, 해석 가능하고 보정된 (calibrated) 해부학적 생성을 가능하게 했습니다.
• 한계 및 향후 과제: 순차적 생성 과정에서 장기 간 작은 기하학적 오차가 누적될 수 있으며, 장 (colon) 과 같은 길쭉한 관상 구조물 생성에는 성능이 다소 떨어집니다. 향후 추가 해부학적 영역 확장 및 더 풍부한 조건 신호 (형태, 조직 특성 등) 통합이 계획되어 있습니다.

이 연구는 통제 가능한 해부학적 팬텀 생성 분야에서 중요한 진전을 이루었으며, 특히 다중 장기 간의 공간적 일관성과 장기별 독립적 크기 조절을 동시에 해결한 점이 핵심적 의의입니다.