Modelling Geographic Atrophy Progression using Implicit Neural Representations

기술 요약: 암시적 신경 표현(Implicit Neural Representations)을 이용한 지리적 위축 진행 모델링

문제 정의
연령 관련 황반변성(AMD)은 실명의 주요 원인이며, 그 말기 건성 단계는 지리적 위축(Geographic Atrophy, GA)이라 불리는 비가역적인 망막 조직 손실을 특징으로 합니다. GA 병변의 성장을 모니터링하는 데 있어 자가 형광(Fundament Autofluorescence, FAF) 이미징이 표준이지만, 질병 진행의 매우 개별화된 특성으로 인해, 특히 종단적 환자 기록이 희소한 저데이터 환경에서 질병의 진화를 정확하게 모델링하고 예측하기 어렵습니다. 기존의 딥러닝 접근 방식은 연속적이고 환자 특이적인 궤적을 포착하는 데 어려움을 겪거나 광범위한 데이터를 필요로 하는 경우가 많습니다.

방법론
저자들은 GA 진행을 연속적이고 피험자 특이적인 함수로 모델링하기 위해 암시적 신경 표현(Implicit Neural Representations, INRs)을 활용하는 프레임워크를 제안합니다. 핵심 아키텍처는 SIREN 활성화 함수를 사용하는 다층 퍼셉트론(MLP) 기반의 오토 디코더(auto-decoder)입니다.

• 아키텍처 및 컨디셔닝: 모델은 두 개의 헤드로 나뉩니다. 하나는 FAF 이미지 픽셀 강도를 생성하는 재구성 헤드($f^{faf}_\theta$)이고, 다른 하나는 GA 병변 마스크를 예측하는 세그멘테이션 헤드($f^{seg}_\theta$)입니다. 두 헤드는 마지막 전 단계까지 동일한 MLP를 공유합니다.
• 잠재 표현(Latent Representation): 개별 안구의 특성을 포착하기 위해 각 안구에 고유한 3D 공간 잠재 벡터($z_i$)가 할당됩니다. 이 벡터는 해당 안구의 모든 시점에 걸쳐 공유되며, 이를 통해 모델이 방문 시점마다 발생하는 아티팩트가 아닌 안구 특이적인 해부학적 특징을 학습하도록 강제합니다.
• 변조 및 시간적 역동성(Modulation and Temporal Dynamics): 네트워크는 변조 레이어(FiLM)를 통해 컨디셔닝됩니다. 잠재 벡터는 시간 변수(기준점으로부터 경과된 주 단위 시간) 및 임상 변수(방문 시점의 환자 연령)와 결합됩니다. 이 결합된 입력값들은 선형적으로 매핑되어 각 레이어의 스케일 및 시프트 파라미터를 결정합니다. 특히, 시프트 파라미터는 시간적 역동성을 저수준 신호로 표현하는 데 사용됩니다.
• 학습 및 테스트 시점 적응(Training and Test-Time Adaptation):
  • 학습: 모델은 MSE(평균 제곱 오차)를 통한 FAF 재구성과 이진 교차 엔트로피(BCE) 및 DICE 손실의 조합을 통한 세그멘테이션을 포함하는 결합 손실 함수를 최소화함으로써 네트워크 파라미터($\theta$)와 안구별 잠재 벡터 집합($\{z_i\}$)을 최적화합니다.
  • 테스트 시 시점 적응: 이전에 본 적 없는 환자(새로운 안구)의 경우, 새로운 잠재 벡터를 무작위로 초기화하고 네트워크 가중치는 고정한 채 해당 환자의 가용 방문 기록들을 사용하여 최적화합니다. 이를 통해 모델은 전체 네트워크를 재학습하지 않고도 개별적인 질병 궤적에 적응할 수 있습니다.

주요 기여

1. GA에 대한 INR의 첫 적용: 본 연구는 GA(AMD에 의한)의 개별 병변 궤적을 모델링하기 위해 암시적 신경 표현을 적용한 첫 사례를 제시합니다.
2. 이미지 및 세그멘테이션 공동 모델링: 프레임워크는 임의의 시점(과거, 현재, 미래)에서 FAF 이미지와 GA 세그멘테이션 마스크를 동시에 생성하여 질병 상태의 보간(interpolation) 및 외삽(extrapolation)을 가능하게 합니다.
3. 저데이터 적응성: 안구별 잠재 벡터의 테스트 시점 적응을 채택함으로써, 본 방법은 제한된 종단적 데이터(단 한두 번의 방문만으로도)를 사용하여 새로운 환자에 대한 정확한 예측을 생성합니다.
4. 연속적 궤적 모델링: 이 접근 방식은 질병 진행을 연속적인 과정으로 취급하여, 이산적(discrete) 모델이 놓칠 수 있는 중간 상태의 시각화와 미래 진화를 가능하게 합니다.

결과
본 방법은 최대 4회의 방문 기록을 가진 30명의 환자, 37개의 안구로 구성된 OMEGA 데이터셋을 통해 평가되었습니다. 비교 대상은 단일 이미지 쌍 예측, 전체 이력 외삽, 누락된 방문 재구성이라는 세 가지 시나리오에 대해 고전적 보간법, ImageFlowNet, T-UNet, 그리고 시간 인지 확산 모델(T-I2SBUNet)입니다.

• 세그멘테이션 성능: 제안된 방법은 모든 시나리오에서 가장 높은 DICE 점수(시나리오 1에서 0.85, 시나리오 2에서 0.91)와 가장 낮은 병변 면적의 평균 절대 오차(MAE, 각각 0.31 mm² 및 0.20 mm²)를 달 기록했습니다. 또한 병변의 형태와 위치를 포착하는 데 있어 다른 딥러닝 모델들을 유의미하게 능가했습니다.
• 이미지 재구성: 모델은 FAF 재구성에 대해 경쟁력 있는 PSNR 및 SSIM 점수를 달성했습니다. 그러나 저자들은 데이터셋의 짧은 추적 관찰 기간(약 12주)으로 인해, 단순히 마지막 가용 ground truth 이미지를 복사하는 것이 가장 좋은 재구성 지표를 나타내는 경우가 있었다고 언급했습니다.
• 정성적 분석: 시각적 검사를 통해 모델이 ground truth 측정값과 일치하는 현실적인 병변 성장 궤적을 생성함을 확인했습니다. 반면, 일부 경쟁 방법들은 낮은 MAE를 기록했음에도 불구하고 시각적으로는 위축된 영역이 일치하지 않는 모습을 보였습니다.

의의 및 주장
본 논문은 공간 잠재 벡터를 활용하여 개별 해부학적 구조를 학습하고, 변조 레이어를 통해 시간 정보를 주입하는 것의 유용성을 입증한다고 주장합니다. 저자들은 이 연구를 임상의가 예상되는 질병 진화 과정을 시각화하고 환자에게 잠재적인 치료 이점을 전달하는 데 도움이 되는 도구로 포지셔닝합니다.

저자들은 FAF 이미지의 외삽 과정에서 고주파 세부 사항을 재구성하는 것이 여전히 과제로 남아 있음을 인정하며 현재의 한계점에 대해 겸허한 태도를 유지하고 있습니다. 그들은 모델이 세그멘테이션과 면적 추정에서는 우수한 성능을 보이지만, 외삽 시나리오에서의 이미지 품질은 추가 연구가 필요하다고 강조합니다. 본 논문은 향후 연구가 더 큰 코호트, 다양한 AMD 단계, 그리고 임상적 해석력과 위험 예측력을 높이기 위한 추가적인 모달리티(예: OCT)의 통합에 집중해야 한다고 결론짓습니다.