Unsupervised Adversarial Domain Adaptation for Uterine layer Segmentation: From Labeled Cine to Unlabeled Dynamic EPI MRI

인체의 각 장기가 저마다의 리듬과 이야기를 들려주는 활기찬 도시라고 상상해 보세요. 의학의 세계에는 자궁이라는 매혹적인 동네가 있는데, 이곳은 그저 가만히 머물러 있는 것이 아니라 춤을 춥니다. 이 춤은 '연동 운동(peristalsis)'이라고 불리는데, 이는 마치 배를 밀어내는 부드러운 조수나 계단을 내려가는 슬링키처럼 물건을 이동시키는 파도 같은 움직임입니다. 오랫동안 의사들과 과학자들은 이 춤을 고화으로 관찰하여, 이것이 어떻게 우리를 건강하게 유지하는지, 혹은 리듬이 어긋날 때 어떤 일이 일어나는지 이해하고 싶어 했습니다. 이를 위해 그들은 몸을 절개하지 않고도 내부를 볼 수 있는 초강력 손전등 역할을 하는 MRI(자기공명영상)라는 특별한 종류의 카메라를 사용합니다.

하지만 문제가 하나 있습니다. 춤의 '형태'(해부학적 구조)를 보여주는 데는 뛰어나지만, 춤의 '속도'와 '화학적 성질'(기능)을 보여주는 데는 서툰 카메라들이 있습니다. 이는 마치 무용수의 의상을 아주 선명하고 정교하게 찍어내는 비디오 카메라가 있지만 흑백으로만 보여주는 것과 같고, 또 다른 카메라는 전체적인 움직임과 색상은 포착하지만 이미지는 흐릿하고 흔들리는 것과 같습니다. 과학자들은 이 두 가지 뷰를 결로 결합하는 방법을 찾기 위해 애써왔습니다. 그들은 무용수의 의상(자궁 층)에 대한 명확하고 라벨이 붙은 사진들을 가지고 있지만, 이 지식을 흐릿하게 움직이는 비디오에 적용해야 하는 상황입니다. 이 논문은 컴퓨터에게 궁극의 번역가가 되어, 명확한 사진과 흐릿한 비디오 사이의 간극을 메우고 우리가 마침내 자궁의 춤이라는 전체 이야기를 볼 수 있도록 가르치는 법에 관한 것입니다.

문제점: "흐릿함 vs 선명함"의 딜레마

자궁은 세 개의 뚜렷한 층을 가진 복잡한 근육으로, 마치 세 층으로 된 케이크와 같습니다. 자궁의 건강을 이해하기 위해 과학자들은 이 층들이 실시간으로 어떻게 움직이고 색이 변하는지(구체적으로 산소가 얼마나 있는지) 관찰해야 합니다. 이를 위해 두 가지 유형의 MRI 스캔을 사용합니다:

1. Cine MRI: 이것은 고화질 슬로 모션 영화와 같습니다. 매우 선명하여 세 개의 층을 명확하게 볼 수 있지만, 조직의 화학적 특성에 대해서는 많은 것을 알려주지 않습니다.
2. Dynamic EPI MRI: 이것은 빠르고 역동적인 액션 영화와 같습니다. 급격한 변화와 화학적 신호(특히 산소와 관련된 T2*라고 불리는 것)를 보여주는 데 탁월하지만, 이미지는 종종 흐릿하고 흔들리며 "유령"(장 내 가스로 인해 발생하는 아티팩트)이 나타납니다.

큰 문제는, 선명한 Cine 영상에서 층을 식별하는 데 매우 능숙한 컴퓨터 프로그램(AI)이 흐릿한 EPI 영상을 보려고 할 때 혼란을 겪는다는 점입니다. 이는 마치 학생에게 스튜디오에서 찍은 선명한 고양이 사진만을 사용하여 고양이를 알아보도록 가르친 다음, 안개가 자욱하고 움직이는 영상 속에서 고양이를 찾아내라고 요구하는 것과 같습니다. 스타일(이미지의 도메인)이 바뀌었기 때문에 학생은 실패하게 됩니다.

해결책: "비지도 적대적" 번역기

연구진은 이 문제를 해결하기 위해 영리한 AI 시스템을 구축했습니다. 그들은 단순히 더 많은 데이터를 쏟아붓는 대신, **비지도 적대적 도메인 적응(Unsupervised Adversarial Domain Adaptation)**이라는 기술을 사용했습니다.

이 시스템을 '틀린 그림 찾기' 게임을 하는 두 팀 사이의 대결이라고 생각해보세요:

• 팀 A (세그멘테이션 네트워크): 흐릿한 영상 속에서 케이크를 자르는 법(자궁 층을 식별하는 법)을 배우려는 학생입니다.
• 팀 B (도메인 판별기): 사진이 선명한 'Cine' 라이브러리에서 왔는지, 아니-면 흐릿한 'EPI' 라이브러리에서 왔는지 맞혀야 하는 엄격한 심판입니다.

여기서 마법 같은 기술이 등장합니다. 연구진은 팀 A가 흐릿한 이미지를 선명한 이미지처럼 보이게 만들어 팀 B가 구분을 못 하고 혼란에 빠지도록 만드는 루프를 설정했습니다. 만약 팀 B가 여전히 차이점을 찾아낼 수 있다면, 팀 A는 더 열심히 노력해야 한다는 것을 알게 됩니다. 시간이 흐르면서 팀 A는 '흐릿함'을 무시하고 오직 자궁 층의 실제 형태에만 집중하는 법을 배웁니다.

AI가 자궁이 '움직이고 있다'는 것을 이해하도록 하기 위해, 연구진은 AI의 뇌에 LSTM(Long Short-Term Memory)이라는 특별한 기억 구성 요소를 추가했습니다. 이는 AI에게 단기 기억을 부여하는 것과 같아서, AI가 단순히 한 프레임을 멈춘 상태로 보는 것이 아니라, 실제 춤처럼 층들이 흐르고 변화한다는 것을 이해할 수 있게 해줍니다.

연구 결과

연구팀은 0.55T MRI 스캐너(특정 유형의 기기)를 사용하여 100명의 여성으로부터 얻은 데이터로 이 새로운 시스템을 테스트했습니다. AI를 훈련시키기 위해 88명의 여성으로부터 얻은 명확하고 라벨이 붙은 데이터를 사용했고, 그 후 52명의 여성으로부터 얻은 라벨이 없는 흐릿한 데이터를 통해 층을 찾아내도록 했습니다.

결과:

• 점수: AI는 놀라울 정도로 뛰어난 성능을 보였습니다. AI는 0.88의 'Dice score'와 0.80의 'Jaccard index'를 달랐습니다. 이미지 세그멘테이션의 세계에서 이 점수는 매우 높은 점수로, AI가 그린 자궁 층의 윤곽이 인간 전문가의 윤곽과 매우 일치함을 의미합니다.
• 비교: '심판'(도메인 판별기) 없이 이 작업을 수행했을 때, AI의 성능은 현저히 떨어졌습니다(Dice score 0.47까지 하락). 이는 "적대적" 게임이 성공의 핵심이었음을 입증합니다.
• 층 구분: AI는 세 개의 층인 자궁근층(외측 근육), 접합부 구역(내측 근육 층), 그리고 자궁내막(내부 안감)을 성공적으로 분리해냈습니다.

발견: 산소의 춤

AI가 흐릿한 영상 속에서 층을 정확하게 추적할 수 있게 되자, 연구진은 마침내 새로운 것을 측정할 수 있었습니다: 자궁이 수축할 때 산소 수치(T2* 값)가 어떻게 변하는지 말입니다.

그들은 흥미로운 패턴을 발견했습니다:

• 평균 수치: 자궁근층은 108 ms, 접합부 구역은 76 ms, 자궁내막은 124 ms의 평균 T2* 값을 보였습니다.
• 역의 춤 (Inverse Dance): 39건 중 14건의 사례에서 '음의 상관관계'가 관찰되었습니다. 이는 접합부 구역이 커질 때(수축할 때), T2* 값(산소 신호)이 낮아진다는 것을 의미합니다. 마치 근육이 너무 강하게 쥐어짜서 혈액을 밀어냄으로써 일시적으로 산소 수치를 낮추는 것과 같습니다.
• 미스터리: 39건 중 7건에서는 반대의 현상(양의 상관관계)이 나타났고, 39건 중 18건에서는 명확한 패턴이 없었습니다. 저자들은 이것이 여성이 생리 주기 중 어디에 있는지 또는 수축이 얼마나 강한지에 따라 자궁이 다르게 행동하기 때문일 수 있다고 제안합니다.

이것이 중요한 이유

이 논문은 질병을 치료하거나 자궁의 모든 미스터리를 풀었다고 주장하는 것이 아닙니다. 대신, AI를 사용하여 두 가지 다른 유형의 MRI 스캔을 결합하는 것이 가능하다는 것을 보여줍니다. "선명하지만 정적인 것"에서 "흐릿하지만 역동적인 것"으로 컴퓨터를 학습시킴으로써, 그들은 실시간으로 자궁의 춤을 관찰하면서 동시에 그 화학적 건강 상태를 측정할 수 있는 문을 열었습니다.

저자들은 이 방법이 연구자들이 자궁이 어떻게 움직이고 조직의 특성이 어떻게 변하는지를 더 잘 이해하는 데 도움을 줄 수 있으며, 이는 언젠가 불임이나 생리통과 같은 질환을 설명하는 데 도움이 될 수 있다고 제사합니다. 하지만 현재로서는, 이 "적대적 번역기"가 작동한다는 것을 증명하여, 흐릿하고 혼란스러운 영상을 자궁 층의 명확한 지도로 바꾸고 과학자들이 마침내 자궁 연동 운동의 전체 그림을 볼 수 있게 만든 것 자체가 주요한 승리입니다.