Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge

기술 요약: 중등도 및 중증 외상성 뇌 손상(msTBI)의 병변 분할

문제 정의
T1 가중치 MRI에서 중등도 및 중증 외상성 뇌 손상(msTBI)의 병변을 분할하는 것은 중요한 임상적 및 계산적 과제입니다. 뇌졸중이나 종양과 같은 다른 병리 현상과 달리, msTBI 병변은 크기, 모양, 위치 및 조직 침범 범위(회백질, 백질, 뇌척수액 포함) 측면에서 매우 심한 이질성을 보입니다. 이러한 변동성은 양측 영역 및 다중 조직 유형에 걸친 빈번한 손상 확장과 결합되어 표준 이미지 등록, 정규화 및 파셀레이션(parcellation)을 복잡하게 만듭니다. 기존의 자동화 도구들은 이러한 다양한 패턴에 대해 일반화하는 데 실패하는 경우가 많으며, 이로 인해 연구자들은 노동 집약적인 수동 분할에 의존하거나 심각한 손상이 있는 환자를 제외해야 하므로 대규모 연구의 통계적 검정력을 제한하게 됩니다. AIMS-TBI 2025 챌린지는 다기관, 다중 코호트 데이터를 기반으로 견고한 분할 알고리즘을 벤치마킹함으로써 이러한 장벽을 해결하기 위해 설립되었습니다.

방법론
저자들은 nnU-Net 프레임워크, 구체적으로는 Residual Encoder Large (resencL) 변형을 활용한 딥러닝 솔루션을 제안합니다. 핵심 혁신은 뇌 실질(brain parenchyma)로 제한된 적응형 정규화(Adaptive Normalization) 전략을 도입한 전처리 파이프라인에 있습니다.

• 데이터 소스: 본 연구는 13개 국제 사이트(ENIGMA Consortium)로부터 수집된 5~85세 연령대를 아우르는 875개의 T1 가중치 MRI 스캔으로 구성된 AIMS-TBI 2025 데이터셋을 활용했습니다. 데이터셋에는 다양한 손상 병리(뇌좌상, 혈종, 뇌연화증 등)가 포함되어 있으며, 훈련(500), 검증(100), 테스트(275) 세트로 분할되었습니다.
• 해부학적 제약 적응형 정규화: 전통적인 정규화는 전체 이미지 볼륨(두개골 및 배경 포함)에 대해 평균과 표준 편차를 계산합니다. 저자들은 이 방식이 비뇌 구조물으로 인해 피험자 간 변동성을 유발한다고 주장합니다. 대신, 그들의 방법은 다음과 같습니다:
  1. HD-BET을 사용하여 뇌 실질 마스크를 추출합니다.
  2. 마스킹된 뇌 영역 내에서만 정규화 통계($\mu_{brain}$ 및 $\sigma_{brain}$)를 계산합니다.
  3. 이 뇌 특이적 통계치를 사용하여 복셀 강도를 정규화합니다.
  4. 이 접근 방식은 피험자 간의 변동성을 줄이고 비뇌 구조물으로부터 발생하는 아티팩트를 완화하여, 모델이 병리적 영역에 집중할 수 있도록 하는 것을 목표로 합니다.
• 훈련 전략: 모델은 하이브리드 손실 함수(Dice loss + Cross-Entropy)를 사용하여 엔드 투 엔드(end-to-end) 방식으로 훈련되었습니다. 훈련에는 일반화 능력을 높이기 위해 광범위한 데이터 증강(무작위 회전, 스케일링, 플리핑, 강도 섭동, 탄성 변형, 감마 보정 및 가우시안 노이즈)이 포함되었습니다.
• 추론: 공간 축을 따라 이미지를 미러링하는 테스트 시점 증강(TTA)이 적용되었으며, 예측값의 평균을 내어 견고성을 개선했습니다.

주요 기여

1. 적응형 정규화: 주요 기여는 뇌 실질로 제한된 강도 정규화 전략의 구현입니다. 이는 비뇌 구조가 전역 강도 분포를 왜곡할 수 있는 msTBI 데이터의 특유한 이질성을 해결합니다.
2. nnU-Net 구성: msTBI의 복잡한 병변 패턴에 맞춤화된, 특징 표현과 그래디언트 흐름을 개선하기 위해 잔차 블록(residual blocks)을 활용하는 nnU-Net의 resencL (Residual Encoder Large) 변형을 적용했습니다.
3. 균형 잡힌 성능: 본 방법론은 특정 트레이드오프 전략을 입증합니다. 즉, 경쟁력 있는 병변 탐지 능력을 유지하면서 비병변 조직을 정확하게 보존하는 것을 우선시하여 견고한 전반적 성능 지표를 도출했습니다.

결과
본 방법은 네 가지 공식 지표(평균 위치, 병변 Dice, 비병변 Dice, 전체 Dice)를 사용하여 AIMS-TBI 2025 챌린지의 홀드아웃(held-out) 테스트 세트에서 평가되었습니다.

• 최종 성능: 제안된 방법("DA5 + Adaptive Norm.")은 전체 Dice 계수 0.6305를 달성하여 리더보드에서 평균 순위 5.5위를 기록했습니다.
• 구성 요소별 분석:
  • 병변 Dice: 0.4805. 저자들은 이 점수가 매우 이질적인 병변을 탐지하는 데 내재된 어려움을 반영한다고 언급했습니다.
  • 비병변 Dice: 0.9324. 이 높은 점수는 비병변 복셀을 올바르게 식별하는 모델의 강력한 특이성을 나타냅니다.
• 절제 연구(Ablation Studies): 예비 개발 결과(표 1)에 따르면, 광범위한 데이터 증강(DA5)과 적응형 정규화를 결합했을 때 개발 및 최종 테스트 단계 모두에서 가장 높은 점수를 얻었으며, 증강만을 사용한 전략보다 우수한 성능을 보였습니다.
• 비교: 일부 경쟁 팀들이 더 높은 병변 Dice 점수를 달려도, 이는 종종 비병한 정확도의 감소(높은 위양성)를 대가로 얻은 것이었습니다. 저자들의 접근 방식은 과다 분할(over-segmentation)을 피하면서 균형 잡힌 성능을 유지했습니다.

의의 및 주장
본 논문은 nnU-Net 파이프라인 내에 해부학적 제약 정규화를 통합하는 것이 msTBI 병변 분할의 복잡성을 해결하기 위한 강력하고 효과적인 전략이라고 주장합니다. 결과는 뇌 실질에 집중하여 피험자 간 강도 변동성을 줄이는 것이 이질적인 다기관 MRI 데이터에 대한 모델의 견고성을 크게 향상시킨다는 것을 시사합니다.

저자들은 병변 탐지 능력(Dice ~0.48)에 대해 겸허한 입장을 유지하며, 작거나 확산된 병변을 탐지하는 것이 여전히 어렵다는 점을 인정합니다. 그러나 그들은 자신들의 접근 방식이 비병변 영역의 특이성을 해치지 않으면서 병변 분할과 건강한 조직의 충실도 사이의 균형을 성공적으로 맞추었다고 강조합니다. 그들은 정확한 자동 분할이 고급 신경 영상 분석(예: 연결성, 결과 예측)의 전제 조건이며, 향후 연구는 비병변 영역의 특이성을 유지하면서 멀티 스케일 특징 및 멀티 모달 통합을 통해 작거나 확산된 병변에 대한 민감도를 높이는 데 집중해야 한다고 결론짓습니다.