Native space based pipelines outperform template space based pipeline in subcortical segmentation

기술 요약: 피질하 분할을 위한 네이티브 공간(Native Space) 대 템플릿 공간(Template Space) 파이프라인

문제 정의
파킨슨병(PD)의 신경외과적 계획 및 기능 연구를 위해서는 피질하 핵, 특히 시상하핵(STN), 적핵(RN), 흑질(SN)의 정확한 분할이 매우 중요하다. 고자기장(7T) MRI는 우수한 조직 대조도를 제공하지만, 임상 현장에서는 대조도가 낮아 이러한 구조물을 식별하기 어려운 저자기장(3T) 스캔에 주로 의존한다. 현재의 자동화된 분할 도구들은 일반적으로 인구 통계학적 평균 아틀라스를 활용하기 위해 템플릿 공간 코레지스트레이션(예: 환자 이미지를 MNI 표준 공간으로 워핑)에 의존한다. 그러나 이 방식은 환자를 템플릿 공간으로 변환하여 분할한 후, 그 결과를 다시 네이티브 공간으로 역변환하는 "왔다 갔다 하는" 등록 과정을 수반한다. 저자들은 이러한 정규화 및 역변환 과정이 STN과 같이 작고 불규칙한 구조물에 대해 환자 특이적인 해부학적 충실도를 저해할 수 있으며, 네이티브 공간 접근 방식이 측정 가능한 이점을 제공할 수 있다는 가설을 세웠다. 또한, 고품질 7T 데이터로 학습된 모델을 임상 3T 데이터로 전이하는 문제는 여전히 해결해야 할 과제로 남아 있으며, 이에 따라 합성 3T 데이터가 이 도메인 간 격차를 메울 수 있는지에 대한 조사가 필요하다.

방법론
본 연구는 5개의 공개 소스(CBS, ATAG, Chu 2025, Paired, OASIS)로부터 얻은 큐레이션된 7T 및 3T T2-가중 MRI 이미지 데이터셋을 사용하여 nnUNet 프레임워크(구체적으로 Residual Encoder 프리셋이 적용된 UNet)를 기반으로 개발된 두 가지 딥러닝 기반 분할 파이프라인을 개발하고 비교하였다.

1. 템플릿 공간 파이프라인:

   • 모든 피험자 이미지는 MNI Nonlinear Asymmetric 2009 템플릿으로 아핀 등록(affine-registered)되었다.
   • 두 가지 템플릿 해상도가 테스트되었다: 1 mm (MNI 152 NLIN 2009c) 및 0.5 mm (MNI 152 NLIN 2009b).
   • MNI 공간 내에 관심 영역(ROI)을 정의하였고, 모델은 이 정규화된 이미지들로 학습되었으며, 출력된 분할 결과는 평가를 위해 다시 네이티브 공간으로 역변환되었다.

2. 네이티브 공간 파이프라인:

   • 환자의 네이티브 MRI 이미지에서 직접 작동한다.
   • 대상 구조물 주변에 바운딩 박스를 정의하기 위해 CIT168 아틀라스(확률 지도)를 네이티브 공간으로 워핑하여 피험자별 ROI를 구축하였다.
   • 모델은 전체 과정이 네이티브 공간 내에서 수행되었으며, 최종 분할 라벨의 역변환 과정을 피했다.

3. 도메인 적응 (합성 데이터):

   • 7T로 학습된 모델을 3T 데이터에 적용할 때 발생하는 성능 저하를 해결하기 위해, 두 가지 방법을 사용하여 7T 학습 데이터로부터 합성 3T 이미지를 생성하였다:
     • Simple: 조각별 선형 매칭(piecewise-linear matching)을 통한 히스토그램 표준화.
     • Advanced: 해부학적 콘텐츠와 사이트 특이적 스타일(강도 변화)을 분리하여 3T와 유사한 이미지를 생성하는 수정된 MURD(Multi-site Unsupervised Representation Disentangler) 프레임워크.
   • 7T 데이터로 학습된 모델을 합성 3T 증강 적용 여부에 따라 테스트하여 지식 전이 가능성을 평가하였다.

주요 기여

• 비교 평가: 템플릿 기반 워크플로우에서 발생하는 역변환 단계를 격리하여, 피질하 구조물에 대한 네이티브 공간 대 템플릿 공간 분할 파이프라인을 직접적이고 정량적으로 비교하였다.
• 해상도 분석: 템플릿 해상도를 높이는 것(0.5 mm vs 1 mm)이 템플릿 기반 워크플로우와 관련된 정확도 손실을 완화하는지 조사하였다.
• 도메인 격차 조사: 7T-to-3T 모델 전이 가능성과 합성 데이터 증강(히스토그램 매칭 vs MURD)이 수동 3T 라벨 없이도 필드 강도 간의 격차를 메우는 데 미치는 효능을 체계적으로 평가하였다.

결과

• 네이티브 vs 템플릿 (7T 데이터): 홀드아웃(held-out) 7T 테스트 데이터에서 네이티브 공간 파이프라인이 템플릿 기반 접근 방식보다 일관되게 우수한 성능을 보였다.
  • STN의 경우, 네이티브 방식은 0.775 ± 0.055의 Dice 점수를 달성한 반면, 1 mm 템플릿은 0.713 ± 0.051, 0.5 mm 템플릿은 0.650 ± 0.166을 기록했다.
  • 네이티브 방식은 STN 및 SN에 대해 더 우수한 경계 정확도(낮은 HD95)를 보였다.
  • 역설적인 발견: 템플릿 해상도를 1 mm에서 0.5 mm로 높였을 때 성능이 오히려 저하되었으며, 이는 오류의 원인이 불충분한 템플릿 해상도가 아니라 아핀 변환/보간 과정 자체임을 시사한다.
• 7T-to-3T 전이 가능성: 7T 데이터로만 학습된 모델은 3T 이미지에 적용되었을 때 상당한 성능 저하를 겪었다 (예: 네이티브 파이프라인의 STN Dice가 약 0.775에서 0.556으로 하락).
• 합성 데이터의 영향:
  • 합성 3T 데이터(MURD 또는 히스토그램 매칭을 통해 생성됨)를 추가했을 때 3T 분할 성능에서 완만하고 일관되지 않은 개선만을 보였다.
  • MURD는 템플릿 파이프라인에서 적핵(RN)의 Dice 및 HD95를 개선했으나, STN 및 SN에 대해서는 제한적인 이득만을 제공했다.
  • 결정적으로, 합성 데이터의 추가가 7T 테스트 데이터의 성능을 유의미하게 저하시키지는 않았으며, 이는 혼합 필드 학습이 안전하지만 3T 일반화를 위해 반드시 혁신적인 해결책은 아님을 나타낸다.

의의 및 주장
본 논문은 파킨슨병의 수술 계획과 같이 높은 환자 특이적 해부학적 충실도가 요구되는 응용 분야에는 네이티브 공간 분할이 더 바람직하다고 결론짓는다. 본 연구는 템플릿 기반 워크플로우에 필요한 역 아핀 변환이 특히 STN과 같이 작고 가변적인 구조물에서 유의미한 병목 현상을 초래하며, 높은 해상도의 템플릿으로도 이를 보완할 수 없음을 입증하였다.

도메인 적응과 관련하여, 저자들은 합성 3T 데이터 생성이 7T 성능을 해치지는 않지만, 7T-to-3T 도메인 격차를 완전히 메우지는 못한다고 주장한다. 스타일 전이 방법(MURD 등)이 필드 강도 간의 복잡한 신호 대 잡음비(CNR) 및 조직 경계 가시성 차이를 재현하는 데 갖는 한계는, 피질하 구조물에 특화된 도메인 적응 연구가 향-후 과제로 남아 있음을 시사한다. 본 연구의 결과는 공간 정규화에 따른 정확도 손실을 피하기 위해 환자 맞춤형 분할 파이프라인으로의 전환을 지지한다.