Automatic Landmark-Based Segmentation of Human Subcortical Structures in MRI

기술 요약: MRI 에서의 인간 피하 구조에 대한 자동 랜드마크 기반 분할

문제 제기
MRI 에서 피하 뇌 구조의 정밀한 분할은 신경영상 연구 및 임상 계획에 필수적입니다. 딥러닝 모델 (예: U-Net, Transformer) 이 자동 분할을 발전시켰지만, 경계 누출이나 인접 구조의 융합과 같은 해부학적으로 일관되지 않은 결과를 종종 생성합니다. 이는 기존 네트워크가 전문가 신경해부학자가 경계를 정의하는 데 사용하는 특정 해부학적 참조점 (랜드마크) 보다 주로 볼륨 외관 (강도와 질감) 에 의존하기 때문입니다. 반면, 하버드 - 옥스퍼드 아틀라스 (HOA) 와 같은 수동 프로토콜은 특정 랜드마크 (예: 전교련, 유두체) 와 평면 기반 규칙에 의존하여, 특히 강도 대비가 낮은 영역에서 구조를 묘사합니다. 현재의 자동화 방법은 이러한 프로토콜 주도적 엄격함을 재현하지 못해 전문가가 정의한 경계에서 벗어나는 결과를 초래합니다.

방법론
저자들은 수동 HOA 분할 프로토콜을 명시적으로 모방하는 3 단계 랜드마크 안내 프레임워크를 제안합니다:

1. 랜드마크 탐지 (전역 - 로컬 네트워크):

   • 전역 단계: 패치 기반 반복 네트워크 (PIN) 가 16 개의 해부학적 랜드마크를 공동 추정합니다. CNN 이 변위 벡터와 이동 방향을 반복적으로 예측하는 전역 - 로컬 접근 방식을 사용합니다. 해부학적 타당성을 강제하기 위해, 랜드마크 구성은 PCA 기반 형태 공간으로 모델링되어 절대 좌표를 직접 회귀하는 대신 형태 파라미터를 업데이트합니다.
   • 로컬 단계: 전역 PIN 으로부터의 대략적인 추정치는 랜드마크별 3D 완전 합성곱 신경망 (FCNN) 을 사용하여 정제됩니다. 이러한 로컬 모델은 전역 예측을 중심으로 한 패치에서 작동하며, 정밀한 변위 벡터와 존재 점수를 예측하도록 훈련됩니다.

2. 대략적 의미 분할:

   • 계층적 3D 트랜스포머 모델 (UNesT) 이 12 개의 병합된 해부학적 레이블에 대한 대략적인 분할을 생성합니다. 이 단계는 초기 예측을 단순화하기 위해 여러 피하 영역 (예: 좌/우 측핵과 선조체 병합) 을 그룹화합니다.

3. 랜드마크 주도 후처리:

   • 12 개 레이블 출력은 탐지된 16 개 랜드마크에서 유래된 규칙을 사용하여 26 개의 서로 다른 구조로 결정론적으로 정제됩니다.
   • 중선 분할: 전교련 (AC), 후교련 (PC), 그리고 교뇌 전 fissure (PPF) 로 정의된 중시상면이 좌우 반구를 분리합니다.
   • 분리와 절단: 특정 랜드마크가 경계를 규정합니다. 예를 들어, 접촉 랜드마크를 사용하여 융합된 NAcc-선조체 레이블을 분리하고, 선조체를 전방에서 절단하며, 유두체 랜드마크를 기반으로 복측 간뇌를 전방과 후방 부분으로 분리합니다.

주요 기여

• 프로토콜 주도 자동화: 이 작업은 수동 HOA 큐레이션 프로토콜을 자동화 파이프라인으로 변환하여 "맹목적인" 딥러닝 분할과 전문가 해부학 규칙 간의 격차를 해소합니다.
• 랜드마크 안내 정제: 학습된 랜드마크를 사용하여 국소 해부학적 제약을 강제하고, 강도 패턴에만 의존하지 않고 융합된 구조를 분리하며 경계 배치를 수정하는 결정론적 후처리 단계를 도입합니다.
• 새로운 평가 지표: 논문은 프로토콜로 정의된 평면 근처의 경계 정확도를 측정하기 위한 프로토콜 정렬 표면 거리 (PASD) 와 슬라이스 내 분리선의 직선성과 안정성을 평가하기 위한 2D 분리 규칙성 지표 (MAE 및 $\sigma_y$) 를 제안합니다.

결과
실험은 인간 연결체 프로젝트 (Human Connectome Project) 의 100 개 T1 가중 MRI 볼륨 (훈련 80 개, 검증 10 개, 테스트 10 개) 에서 수행되었습니다.

• 랜드마크 탐지: 전역 PIN 은 평균 국소화 오차 1.97 mm 를 달성했습니다. 이후 로컬 정제는 이를 1.33 mm 로 감소시켜 (32% 개선) 성공했습니다. 정확도는 랜드마크에 따라 달라졌으며, 고대비 구조 (AC/PC) 는 저대비 경계 (2.6–3.0 mm) 보다 더 정밀하게 (~0.6 mm) 국소화되었습니다.
• 분할 성능:
  • 전역 중첩: 랜드마크 안내 접근 방식은 기준 UNesT 에 비해 전역 Dice 점수 (0.8961 에서 0.8992) 에서 소폭의 증가를 보였습니다.
  • 경계 정확도: 경계 지표에서 유의한 개선이 관찰되었습니다. PASD 지표는 대부분의 프로토콜 정의 경계에서 오차를 감소시켰습니다 (예: 우측 하각 PASD 가 0.636 에서 0.356 으로 감소).
  • 규칙성: 랜드마크 안내 방법은 분리선의 슬라이스 내 표준 편차 ($\sigma_y$) 를 거의 0 에 가깝게 일관되게 감소시켜, 프로토콜을 준수하는 더 직선적이고 안정적인 경계를 나타냈으며, 기준선은 더 높은 변동성을 보였습니다.
• 정성적 평가: HOA 프로토콜의 공동 저자인 전문가 신경해부학자는 랜드마크 안내 방법이 수동 프로토콜에 더 부합하며, 기준선이 실패한 곳에서 전방/후방 절단과 좌우 분리를 올바르게 강제한다고 확인했습니다.

의의 및 주장
이 논문은 전역 체적 중첩 (Dice) 이 미미한 개선만 보일 수 있지만, 학습된 랜드마크를 통합하는 것이 경계 정확도와 전문가 프로토콜에 대한 해부학적 일관성을 크게 향상시킨다고 주장합니다. 저자들은 그들의 프레임워크가 표준 의미 분할이 인간 전문가가 사용하는 규칙 기반, 랜드마크 의존적 묘사를 재현하지 못하는 특정 격차를 해결한다고 강조합니다.

이 연구는 그 범위에 대해 겸손하게, 건강한 젊은 성인의 HOA 데이터셋으로 제한된다고 명시합니다. 그러나 저자들은 프레임워크가 본질적으로 프로토콜 주도적이며 해당 랜드마크와 규칙이 정의된다면 다른 데이터셋과 해부학 프로토콜로 확장될 수 있다고 주장합니다. 이 작업은 수동 신경해부학 프로토콜을 정확하게 재현하려면 원시 볼륨 외관 이상의 추가 정보 (랜드마크) 가 필요함을 강조합니다.