What neurosurgeons need to see: synthetic intra-operative MRI from ultrasound for brain-shift compensation in brain tumour surgery

기술 요약: 뇌 변형 보정을 위한 초음파 기반 합성 intra-operative MRI

1. 문제 정의

글리오마(glioma) 수술의 주요 목표는 최대 안전 절제입니다. 내비게이션 시스템은 고해외로의 수술 전 MRI에 의존하지만, 뇌척수액 배출, 중력, 조직 제거, 피질 조작으로 인한 지속적인 연조직 변형인 **뇌 변형(brain-shift)**으로 인해 두개골 개방 후 정확도가 크게 저하됩니다. 이 변형은 피질 표면에서 20–25 mm에 달할 수 있습니다.

현재의 솔루션들은 다음과 같은 트레이드오프에 직면해 있습니다:

• Intraoperative MRI (iMRI): 가장 정확한 해부학적 업데이트를 제공하지만, 전용 인프라가 필요하며 수술 시간을 연장시키고 널리 보급되어 있지 않습니다.
• Intraoperative Ultrasound (ioUS): 저렴하고 반복 가능하며 표준 워크플로우와 호환되지만 정보의 한계가 있습니다. 이는 수술 부위만을 영상화하며, 수술 전 MRI와 질적으로 다른 스펙클 대비(speckle contrast)를 가집니다. 또한, 수술 중 형성된 새로운 해부학적 구조(특히 절제 공동(resection cavity) 및 잔존 종양)는 수술 전 MRI에 존재하지 않기 때문에, 수술 전 MRI와 ioUS 간의 표준 변형 등록(deformable registration)으로는 이를 표현할 수 없습니다.

핵심 과제는 iMRI 인프라 없이도, 수술 후 상태(절제 공동 포함)를 반영하는 **전뇌 합성 intraoperative MRI (siMRI)**를 초음파 시야(FOV) 내에서 생성하는 것입니다.

2. 방법론

저자들은 단 한 번의 수술 후 절제 후 ioUS 획득과 수술 전 MRI를 사용하여 환자의 수술 전 영상 공간 내에 전체 뇌 siMRI를 생성하는 엔드 투 엔드 파이프라인을 제안합니다. 이 파이프라인은 세 가지 주요 단계로 구성됩니다:

A. 교차 모달리티 합성 (초음파에서 MRI로)

• 백본 선택: 저자들은 ReMIND 데이터셋을 대상으로 세 가지 아키텍처 패밀리(ResViT-2.5D, ResViT-3D, SynDiff-2.5D)를 평가했습니다. 그 결과 배포를 위해 ResViT-2.5D(residual-transformer hybrid)를 선택했습니다.
• 근거: ResViT-3D는 훈련 간격(training spacing)에서 높은 피크 품질을 보였으나, ResViT-2.5D는 획득 간격 변화(프로브 및 프로토콜 변동)에 대한 우수한 강건성을 보였으며 추론 비용이 현저히 낮았습니다 (~26초 vs ~2분). 결정적으로, 절제 공동이 포함된 intraoperative T2 참조 영상에 대해 ResViT-2.5D가 3D 변형 모델보다 우수한 성능을 보였는데, 이는 slice-by-slice 추론 방식이 수술 후 해부학적 기하학적 불일치를 더 잘 흡수했기 때문으로 보입니다.
• 과정: 네트워크는 5개의 축 방향(axial) ioUS 슬라이스 스택을 입력받아 그에 대응하는 중앙 MRI 슬라이스를 생성합니다. "Match-and-back" 리샘플링 프로토콜을 통해 원시 스캐너 ioUS 간격과 네트워크의 훈련 간격 사이의 차이를 메웁니다.

B. 변형 등록 (Deformable Registration)

• 2단계 파이프라인: 이 파이프라인은 고전적 솔버와 학습 기반 정교화 단계를 결합합니다:
  1. 고전적 단계: MIND-SSC 유사 지표를 사용하는 NiftyReg(강체/어파인용 reg_aladin + 비강체용 reg_f3d)를 사용하여 수술 전 MRI를 ioUS에 정렬합니다.
  2. 학습 기반 단계: SynthMorph(학습 기반 변위장 네트워크)를 사용합니다. 결정적으로, 이 단계는 합성 기반 앵커링(synthesis-anchored) 방-식을 따릅니다. 즉, 합성된 MRI(단계 A에서 생성됨)를 워핑된 수술 전 MRI에 등록합니다.
• 동기: 학습 기반 네트워크를 사용하여 원시 ioUS를 MRI에 직접 등록하면, 두 영상의 강도 분포가 너무 달라 변위가 작게 나타납니다. 합성된 MRI(MRI와 유사한 특성)에 학습 단계를 앵커링함으로써, 네트워크가 MRI 대 MRI 설정에서의 미세한 잔차 교정기 역할을 하도록 유도합니다.
• 결과: 이 단계는 클래식 베이스라인에 비해 타겟 등록 오차(TRE)를 크게 개선하지는 못하지만, 합성된 외형에 앵커링된 매끄러운 미분 가능한(diffeomorphic) 변위장을 제공하며, 이는 합성 단계(composition step)에 필수적입니다.

C. 전체 뇌 합성 (Whole-Brain Composition)

• 통합: 최종 siMRI는 수술 전 영상 공간 내에서 두 볼륨을 병합하여 구축됩니다:
  • FOV 내부: 합성 네트워크의 히스토그램 매칭된 출력(절제 후 해부학 및 공동 반영).
  • FOV 외부: 합성된 변형(warped)된 수술 전 MRI.
• 전이: 경계의 급격한 강도 차이를 방지하기 위해 가우시안 페더링(Gaussian-feathered transition, σ = 5 mm)을 사용하여 두 영역을 블렌딩합니다.
• 신뢰도 맵: ResViT-2.5D 백본에 대한 테스트 시간 증강(TTA)을 사용하여 픽셀당 신뢰도 맵을 생성합니다. 증강된 입력들 사이에서 불일치가 큰 영역은 낮은 신뢰도로 표시되어 외과의에게 안전 신호를 제공합니다.

3. 주요 기여

1. 배포를 위한 백본 선택: 영상 품질, 간격 변화에 대한 강건성, 추론 속도의 균형을 고려하여 ResViT-2.5D를 최적의 백본으로 식별한 비교 연구를 수행했습니다.
2. 합성-등록에 대한 통제된 증거 제시: ioUS로부터 MRI를 합성하는 것이 강력한 고전적 베이스라인(MIND-SSC를 사용하는 NiftyReg)에 비해 변형 등록의 랜드마크 타겟 등록 오차(TRE)를 개선하지 않는다는 것을 입증했습니다. 합성 앵커링 학습 단계는 등록 정확도를 높이기보다는, siMRI를 위한 기하학적으로 타당한 워핑된 MRI 캔버스를 생성하는 역할을 합니다.
3. 엔드 투 엔드 siMRI 파이프라인: 수술 전 영상 공간 내에 전뇌 합성 intraoperative MRI를 전달하는 최초의 보고된 파이프라인입니다. 등록만 하는 방식과 달리, 이 볼륨은 초음파 FOV 내에 절제 공동과 잔존 종양을 명시적으로 표현하며, 동시에 FOV 외부의 수술 전 맥락을 보존합니다.

4. 결과

ReMIND 코호트의 14명 대상 서브셋(215개의 전문가 배치 랜드마크)에서 평가되었습니다:

• 합성 품질: ResViT-2.5D는 intraoperative T2에 대해 평균 SSIM 0.710 및 PSNR 14.96 dB를 달성했습니다.
• 등록 정확도:
  • 초기 (World-Frame): 6.27 mm TRE.
  • 고전적 베이스라인 (NiftyReg): 5.85 mm TRE.
  • 제안된 파이프라인: 5.86 mm TRE.
  • 결론: 제안된 파이프라인은 클래식 베이스라인과 일치하며(p = 0.76), 초기 world-frame 정렬보다 유의미하게 개선되었습니다(p = 0.04). 합성 브릿지는 TRE에서 통계적으로 유의미한 이득을 주지 못했습니다.
• 기하학적 타당성: 합성된 변환은 모든 14명의 대상자에 대해 접힘이 없었습니다(0% folding). 제안된 파이프라인은 클래식 베이스라인(0.007)보다 약간 높은 SDLogJ(0.080)를 보였는데, 이는 SynthMorph 단계에서 처리된 더 큰 비강체 잔차를 반영하지만 여전히 미분 가능(diffeomorphic)했습니다.
• 신뢰도 맵 검증: TTA 기반 신뢰도 맵은 합성 오차와 양의 상관관계(Spearman ρ = +0.200)를 보였으며, 가장 낮은 AUSE(Area Under the Sparsification Error)를 기록하여 배포 보조 도구로서의 유용성을 입증했습니다.

5. 의의 및 주장

저자들은 본 연구의 주요 기여가 등록 정확도의 향상이 아니라, 통합된 전체 뇌 볼륨 자체를 생성하는 것임을 명시적으로 밝히고 있습니다.

• 임상적 가치: 이 파이프라인은 외과의에게 절제 공동을 포함하는 "MRI와 유사한" 수술 현장의 업데이트를 제공하며, 이는 수술 전 MRI의 변형만으로는 불가능한 기능입니다.
• 워크플로우 통합: 수동 사전 정렬이나 종양/공동 분할을 요구하지 않고 원시 스캐너 입력을 기반으로 작동하므로, 기존 수술 내비게이션 워크플로우에 통합하기 적합합니다.
• 겸허한 접근: 논문은 등록 정확도(5.86 mm)가 본질적인 수술 후 뇌 변형과 관찰자 간 변동성(~1.89 mm)에 의해 제한된다는 점을 인정합니다. 가치는 서브 밀리미터 수준의 정밀한 등록을 달성하는 것이 아니라, 현재의 해부학적 상태(공동 포함)를 시각적으로 표현하는 데 있습니다.
• 안전성: 신뢰도 맵의 포함은 합성 영상의 사용에 대한 안전 문제를 해결하며, 합성이 신뢰할 수 없는 영역을 표시해 줍니다.

요약하자면, 본 연구는 교차 모달리티 합성이 반드시 등록 지표를 개선하는 것은 아니지만, 수술 중 뇌의 내용물(공동 포함)을 재구성하는 데 필수적임을 보여주며, 이를 통해 뇌 변형 보상을 위한 실용적이고 인프라가 필요 없는 iMRI의 대안을 제시합니다.