Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction

정교하고 섬세한 유리 성을 찍기 위해 완벽한 고해상도 사진을 찍으려고 노력한다고 상상해 보세요. 사진을 찍는 동안 손이 아주 조금이라도 떨리면, 이미지는 흐릿하게 나오고 탑 주변에 유령 같은 이중 이미지가 떠다니게 됩니다. 이제 카메라 대신 인간의 뇌 내부를 들여다보는 거대하고 초민감한 스캐너를 사용한다고 상상해 보세요. 그 뇌가 바로 유리 성이고, 스캐너는 카메라입니다. 하지만 문제는 사람들이 뇌를 스캔하는 데 걸리는 몇 분 동안 완벽하게 가만히 있을 수 없다는 점입니다. 사람들은 움찔하거나, 기침을 하거나, 혹은 그냥 잠들 수도 있습니다. 이러한 움직임은 "모션 아티팩트(motion artifacts)"를 만들어냅니다. 즉, 사진을 망치는 흐릿한 줄무늬, 유령 같은 복제 이미지, 왜곡된 형태를 만드는 것입니다.

과학자와 의사들에게 이러한 흐릿한 사진은 악몽과 같습니다. 그들은 뇌 부위의 크기를 측정하거나, 질병을 추적하거나, 뇌가 어떻게 작동하는지 이해하기 위해 수정처럼 맑은 이미지가 필요합니다. 보통 흐릿한 사진을 고치려면, 원래의 완벽한 사진이 어떤 모습이었는지 정확히 알아야 두 사진을 비교하여 실수를 바로잡을 수 있습니다. 하지만 실제 의료 스캔의 세계에서는, 움직이는 상태의 동일 인물에 대해 "완벽한" 사진을 다시 찍기 위해 과거로 돌아갈 수 없습니다. 당신에게 남은 것은 오직 지저도하고 흐릿한 사진뿐입니다. 이 논문은 "완벽한" 버전을 한 번도 본 적이 없는 상태에서 어떻게 이 흐릿한 뇌 스캔을 깨끗하게 정리할 것인가라는 문제를 다룹니다.

Mojtaba Safari와 Xiaofeng Yang이 이끄는 연구진은 SSRL-MAR라고 불리는 영리한 새로운 도구를 개발했습니다. 이것을 "차이점 찾기"와 "엉망으로 만들기" 게임을 통해 참조 표준 없이도 흐릿한 뇌 스캔을 고치는 법을 배우는 디지털 탐정이라고 생각하세요.

이 시스템이 어떻게 작동하는지 세 가지 재미있는 단계로 나누어 설명하겠습니다.

1단계: "차이점 찾기" 학습
먼저, 컴퓨터는 "움직임"이 실제로 어떤 모습인지 배워야 합니다. 다양한 사람들의 깨끗하고 선명한 뇌 사진 뭉치와 흐릿하고 엉망인 사진 뭉치가 있다고 상상해 보세요. 컴퓨터는 어느 것이 무엇인지 모르지만, 흐릿한 것을 찾아내라는 지시를 받습니다. 컴퓨터는 이미지의 작은 3D 조각들을 살펴보고 다음과 같이 판단합니다: "이 조각이 흔들린 것처럼 보이는가?" 컴퓨터는 뇌의 형태(성)와 흐림(흔들리는 손)을 분리하는 법을 배웁니다. 논문에 따르면 컴퓨터는 특정 개인의 뇌 세부 사항을 무시하고 움직임으로 인해 발생하는 이상하고 물결치는 패턴에만 집중하는 법을 매우 잘 배우게 됩니다.

2단계: "엉망으로 만드는 자" 시뮬레이터
컴퓨터가 움직임이 무엇인지 알게 되면, 이제 새로운 임무를 받습니다. 바로 장난꾸러기가 되는 것입니다. 컴퓨터는 깨끗한 뇌 스캔을 가져와서 1단계에서 배웠던 바로 그 종류의 흐림을 추가하려고 시도합니다. 이는 마치 비디오 게임 캐릭터가 진흙 투성이 장면을 처음부터 재현할 수 있을 정도로 진흙을 던지는 법을 배우는 것과 같습니다. 논문은 이 "저하시키는(degrader)" 네트워크가 실제와 거의 똑같은 가짜 흐릿한 스캔을 만들어내는 데 매우 뛰어나다고 언급합니다. 이것이 중요한 이유는 컴퓨터가 스스로 학습 데이터를 생성할 수 있게 해주기 때문입니다. 컴퓨터는 깨끗한 스캔을 가져와서 그것을 엉망으로 만든 다음, 자신이 만든 엉망인 상태를 어떻게 고칠지 연습함으로써 스스로를 가르칠 수 있습니다.

3단계: "복구하는 자"
마지막으로, 컴퓨터는 영웅 역할을 수행합니다. 컴퓨터는 2단계에서 만든 엉망인 스캔을 가져와서 이를 다시 깨끗한 이미지로 되돌리려고 노력합니다. 자신이 어떤 종류의 난장판을 만들었는지 정확히 알고 있기 때문에, 어떻게 그것을 되돌릴 수 있는지 알아낼 수 있습니다. 이 전체 과정은 루프(loop) 형태로 일어납니다: 흐림을 배우고, 흐림을 만들고, 흐림을 고칩니다. 논문은 누구도 정답을 알려주지 않아도 스스로 연습하며 답을 찾아내기 때문에 이를 "폐쇄 루프(closed-loop)" 시스템이라고 부릅니다.

그들은 무엇을 발견했나?
연구팀은 두 가지 유형의 데이터로 새로운 도구를 테스트했습니다. 첫째, "인실리코(in-silico)" 데이터를 사용했는데, 이는 실제 뇌 스캔을 가져와 컴퓨터를 사용하여 인위적으로 움직임을 추가한 것을 의미합니다. 이 테스트에서 그들의 방식은 이미지 품질을 크게 향상시켜, PSNR(이미지가 완벽에 얼마나 가까운지를 측정하는 척도)을 23.81 dB까지 높였고, 원래 구조와 91.55% 유사한 SSIM(구조적 유사도)을 보였습니다.

그다음, 실제 환자들의 엉망인 스캔(MR-ART 데이터셋)으로 테스트를 진행했습니다. 이 부분이 까 가장 까다로운데, 비교할 "완벽한" 버전이 없기 때문입니다. 그럼에도 불구하고, 그들의 도구는 흐림과 유령 현상을 성공적으로 줄였습니다. 다른 스마트한 컴퓨터 프로그램들과 비교했을 때, SSRL-MAR가 가장 우수한 성능을 보였습니다. 심지어 "소스 전용(source-only)" 지도 학습 모델(가짜 데이터로만 학습된 프로그램)보다 PSNR에서 최대 2.0 dB 더 높은 성능을 기록했습니다.

또한 논문은 이 도구가 뇌의 실제 형태를 얼마나 잘 보존하는지도 살펴보았습니다. 연구진은 뇌의 두 반구 사이의 다리 역할을 하는 뇌량(corpus callosum)과 뇌실(ventricles, 액체가 채워진 공간) 같은 중요한 부분의 부피를 측정했습니다. 경미한 움직임이 있는 경우, 도구가 이미지를 정리한 후 이 부분들을 측정하는 오차가 50% 이상 감소했습니다. 이는 이 도구가 단순히 이미지를 매끄럽게 만드는 것이 아니라, 뇌의 해부학적 구조를 정확하게 유지한다는 것을 시사합니다.

그들이 주장하지 않는 것
이 논문이 말하지 않는 부분도 명시하는 것이 중요합니다. 저자들은 자신들의 도구가 훌륭하지만 마법은 아니라는 점을 주의 깊게 밝히고 있습니다.

• 극심한 움직임에 대한 완벽한 해결책은 아닙니다: 만약 움직임이 너무 심하다면(예: 크게 흔들리는 경우), 이 도구는 손실된 정보를 복구할 수 없습니다. 논문은 움직임이 심해질수록 이미지 품질이 떨어지지만, 도구가 없을 때보다는 덜 떨어진다는 것을 보여줍니다.
• 새로운 것을 만들어내지 않습니다: 연구진은 컴퓨터가 존재하지 않는 뇌 부위를 "환각(hallucinate)"하여 만들어낼까 봐 걱정했습니다. 하지만 테스트 결과, 이 도구는 그 반대였습니다. 이 도구는 무언가를 발명하기보다는 오히려 보수적입니다. 즉, 의학적 용도로 사용하기에 더 안전하도록 사실을 왜곡하기보다 매끄럽게 다듬는 경향이 있습니다.
• 아직 모든 스캔 유형에 적용되는 만능 해결책은 아닙니다: 이 연구는 T1 강조 뇌 스캔에 특화되어 있습니다. 논문은 이를 다른 유형의 스캔(T2나 FLAIR 등)이나 다른 신체 부위에 적용하려면 더 많은 테스트가 필요하다고 제안합니다.

결론
논문은 SSRL-MAR가 "완벽한 것 vs 엉망인 것"의 쌍을 구하는 것이 불가능한 상황에서도 뇌 MRI 스캔을 깨끗하게 정리할 수 있는 견고하고 확장 가능한 방법임을 시사합니다. 컴퓨터에게 움직임을 이해하고, 가짜 움직임을 만들고, 다시 그것을 고치도록 가르침으로써, 그들은 실제 현장에서 존재하지 않는 "쌍이 된" 데이터가 필요한 "완벽한" 지도 학습 모델만큼이나 잘 작동하는 시스템을 만들었습니다. 저자들은 이 접근 방식이 환자들이 스캔 중에 완벽하게 가만히 있을 수 없더라도, 의사와 연구자들이 더 명확하고 신뢰할 수 있는 측정을 할 수 있도록 도울 수 있다고 결론짓습니다. 이는 인간의 몸이 가만히 있어 주지 않더라도 뇌 영상 촬영을 더 신뢰할 수 있게 만드는 한 걸음입니다.