Diffusion MRI preprocessing affects ADC estimation and automatic PI-RADS v2.1 classification in bi-parametric prostate MRI

당신이 안개가 자욱하고 흔들리는 상자 안에 숨겨진 작고 까다로운 물체를 아주 선명하게 사진으로 찍으려 한다고 상상해 보세요. 전립선 MRI의 세계에서 그 "물체"는 잠재적인 암 부위이며, "안개가 자욱하고 흔들리는 상자"는 확산 강조 영상(DWI) 스캔입니다. 이 스캔은 의사가 생검(biopsy)이 필요한지 결정하는 데 매우 중요하지만, 매우 지저-분한 특성이 있습니다. 이 스캔들은 "유령"(아티팩트), 데이터의 "링잉(ringing)" 소리, 그리고 신체의 자기장에 의한 "흔들림"으로 인해 고통받습니다.

오랫동안 과학자들은 뇌 스캔을 위해 이러한 지저분한 사진들을 정화해 왔지만, 전립선 스캔의 경우 어떤 정화 방법이 가장 효과적인지는 모두가 추측만 할 뿐이었습니다. 이 연구는 탐정 모자를 쓰고, 어떤 정화 레시피가 실제로 컴퓨터가 암을 더 잘 "보게" 만드는지 테스트하기로 했습니다.

위대한 정화 대회

연구진은 268건의 실제 환자 사례를 가져와 일련의 "정화 스테이션"을 통과시켰습니다. 마치 진흙투성이가 된 자동차를 세척하는 것과 같습니다:

1. 베이스라인: 그들은 가공되지 않은 진흙투성이 데이터(데이터셋 1 & 2)에서 시작했습니다.
2. 디노이징(Denoising): 그들은 무작위적인 "눈보라"나 정적 노이즈(static noise)를 닦아냈습니다(데이터셋 3).
3. 깁스 링잉 보정(Gibbs-Ringing Correction): 밝은 빛 주변에 고리 모양으로 나타나는 이상하고 들쭉날쭉한 가장자리를 매끄럽게 다듬었습니다(데이터셋 4).
4. 왜곡 보정(Distortion Correction): 이것이 핵심이었습니다. 그들은 직장 내 공기로 인해 발생하는 늘어짐 현상을 해결하여, 전립선이 해부학적 구조와 완벽하게 일치하도록 "흔들리는" 부분을 바로잡았습니다(데이터셋 5).

그 후 두 가지 질문을 던졌습니다:

1. 정화 과정이 조직 내에서 물이 얼마나 빨리 움직이는지를 측정하는 수치(ADC라고 불림)를 변화시키는가?
2. 정화가 컴퓨터 프로그램이 암 위험 점수(PI-RADS)를 더 잘 예측하도록 돕는가?

놀랍고도 지루한 수학 부분

먼저, 그들은 수학을 살펴보았습니다. 그들은 물의 이동 수치를 계산하는 두 가지 다른 방법(표준 방식인 LLS와 정교한 가중치 방식인 IWLLS)을 테스트했습니다.

여기 반전이 있습니다: 어떤 수학적 방법을 사용하든 상관없었습니다. 결과값은 거의 동일했습니다(차이가 $10^{-12}$ mm²/s 정도로 아주 미미했습니다). 이는 마치 테이블을 측정하기 위해 서로 다른 브랜드의 자를 사용하는 것과 같습니다. 테이블이 곧다면 두 자 모두 같은 답을 줄 것입니다. 따라서 이 논문은 올바른 수치를 얻기 위해 반드시 정교한 수학 알고리즘이 필요한 것은 아니라는 점을 입증했습니다. 즉, 중요한 것은 수학 알고리즘이 아니라 이미지의 정화입니다.

하지만, 정화 자체는 수치를 변화시켰습니다. "왜곡 보정"(흔들리는 이미지를 바로잡는 것)을 추가했을 때 ADC 값이 변했습니다. 원본의 흔들리는 이미지와 바로잡힌 이미지 사이의 관계는 강력했지만 완벽하지는 않았습니다(상관관계 약 0.90). 이는 마치 유령 거울에 비친 모습을 촬영한 뒤 그것을 똑바로 펴는 것과 같습니다. 사진의 모습은 달라지겠지만, 이제는 대상의 진정한 표현이 됩니다.

컴퓨터의 "눈"이 더 날카로워지다

진정한 마법은 이 정화된 이미지들을 딥러닝 컴퓨터 뇌(DenseNet)에 입력하여 암 위험 점수를 예측하게 했을 때 일어났습니다. 그들은 점수를 세 가지 바구니로 분류했습니다:

• 클래스 1: 저위험 (PI-RADS 1–2).
• 클래스 2: 불확실 (PI-RADS 3).
• 클래스 3: 고위험 (PI-RADS 4–5).

컴퓨터는 모든 정화 단계에 대해 테스트되었습니다. 결과는 어떠했을까요? 완전히 정화된 이미지(데이터셋 5)가 명백한 승자였습니다.

컴퓨터가 정화된 데이터를 보았을 때, 고위험 사례를 포착하는 능력이 향상되었습니다. 단순히 정답을 더 자주 맞히는 것에 그치지 않고, 틀렸을 때도 더 똑똑해졌습니다.

가장 멋진 부분은 이것입니다: 의료계에서 컴퓨터가 위험한 암을 놓치는 것은 재앙입니다. 하지만 컴퓨터가 틀렸을 때, 자신이 맞다고 확신하며 틀리는 것은 훨씬 더 나쁩니다. 연구 결과, 완전히 정화된 데이터로 학습한 컴퓨터가 고위험 사례에 대해 실수를 했을 때, 그 틀린 답에 대해 확신이 덜했다는 사실이 밝혀졌습니다. 이는 마치 학생이 "이 답이 맞는지 잘 모르겠어요"라고 말하는 것과 같지, 틀린 답을 자신 있게 외치는 것과는 다릅니다. 이러한 "겸손한" 행동은 자동 분류(triage)를 원하는 의사들에게 정확히 필요한 기능입니다. 왜냐하면 인간에게 재확인을 요청하는 신호가 되기 때문입니다.

이 논문이 배제하는 것(그리고 배제하지 못하는 것)

이 논문은 단지 수학 공식(LLS vs. IWLLS)을 바꾸는 것만으로는 문제를 해결할 수 없다고 명시적으로 말합니다. 계산기만 바꾼다고 해서 더 나은 결과를 기대할 수는 없습니다. 먼저 이미지를 고쳐야 합니다.

또한, 이 연구가 전 세계의 모든 MRI 기기에 적용된다는 것을 증명한 것은 아닙니다. 그들은 오직 하나의 특정 스캐너(Siemens Skyra) 데이터만을 테스트했습니다. 또한, 왜곡을 바로잡는 "골드 스탠다드(표준)" 방식(반대 방향으로 두 번의 특수 스캔을 찍는 방식)을 사용할 수 없었습니다. 해당 데이터에 그 추가 스캔이 없었기 때문입니다. 대신 그들은 효과적으로 작동하는 영리한 등록(registration) 기술을 사용했지만, 이것이 완전한 패키지는 아니라는 점을 인정했습니다.

결론

주요 발견은 MRI 이미지를 정화하는 것이 실제로 컴퓨터를 더 똑똑하게 만든다는 것입니다. 구체적으로, 노이즈를 제거하고, 링잉 가장자리를 수정하며, 왜곡된 해부학적 구조를 바로잡는 것(데이터셋 5)이 최상의 결과를 가져왔습니다.

이 논문은 만약 병원들이 이러한 정화 단계를 표준 루틴으로 사용하기 시작한다면, 고위험 암을 더 많이 발견하고 저위험 사례에 대한 불필요한 생검을 피할 수 있을 것이라고 제안합니다. 이는 마치 흐릿한 카메라에 고해상도 렌즈를 끼우는 것과 같습니다. 사진이 단순히 더 예뻐지는 것이 아니라, 생사가 걸린 결정을 내리는 데 훨씬 더 유용해지는 것입니다.

결과는 유망하지만, 저자들은 이것이 완성된 해결책이 아니라 하나의 진전된 단계임을 신중하게 밝히고 있습니다. 이것이 어디서나 작동하는지 확인하려면 더 많은 사람과 다양한 기기를 대상으로 테스트해야 합니다. 하지만 현재로서는, 약간의 디지털 정화가 전립선암과의 싸움에서 큰 도움이 된다는 강력한 증거가 존재합니다.