AI segmentation requires accounting for brain size to maintain performance on developmental MRI cohorts

기술 요약: 발달 단계 MRI 코호트에서의 성능 유지를 위해 뇌 크기를 고려한 AI 세그멘테이션(Segmentation) 필요성

문제 제기
SynthSeg와 같은 신경해부학적 세그멘테이션을 위한 딥러닝 도구들은 다양한 MRI 대조도에 대한 강건성을 제공하지만, 주로 성인 코호트를 대상으로 학습 및 검증되었습니다. 인간의 뇌는 크기, 형태, 그리고 조직 대조도(특히 생후 1년 동안 발생하는 회백질-백질 대조도의 반전) 측면에서 급격한 발달 변화를 겪습니다. 결과적으로, 성인용으로 학습된 표준 파이프라인은 영유아 MRI에 적용될 때 상당한 문제에 직면합니다. 구체적으로, 영아의 뇌는 실질적으로 더 작으며(출생 시 성인 체적의 약 25%), 성인용으로 교정된 시야(FOV)로 획득되는 경우가 많아 뇌 주변에 비뇌 조직(목, 어깨 등)이 많이 포함됩니다. 저자들은 이러한 형태학적 및 공간적 불일치가 SynthSeg의 실패를 유발하여, 세그멘테이션 품질을 저하시키고 신뢰할 수 없는 자동 품질 관리(QC) 점수를 초래함으로써, 전 생애에 걸친 연속적인 신경 발달 성장 곡선 생성을 방해한다고 가설을 세웠습니다.

방법론
본 연구는 두 가지 주요 데이터셋을 사용하여 SynthSeg 파이프라인을 평가하고 수정하였습니다:

1. 신경 발달 코호트: 20주 태아 연령부터 35세까지의 범위를 포괄하는 16개의 오픈 소스 연구로부터 수집된 26,716개의 MRI 스캔(T1w 및 T2w)으로 구성된 대규모 통합 데이터셋.
2. 전문가 라벨링 샘플 (BOBs): 생후 1~9개월 영아를 대상으로 전문가가 정밀하게 작성한 "그라운드 트루스(Ground Truth)" 수동 세그멘테이션을 포함하는 Baby Open Brains (BOBs) 저장소의 매칭된 62개 세션 서브셋.

저자들은 생애 전반에 걸쳐 SynthSeg( --robust 플래그 사용)의 베이스라인 성능을 평가했습니다. 그 후, 영아 데이터에 대해 어떤 전처리 파이프라인이 성인 학습 분포와 가장 잘 일치하는지 결정하기 위해 네 가지 별도의 파이프라인을 테스트했습니다:

1. Original (원본): 변경되지 않은 SynthSeg 입력값.
2. Cropped (크롭): SynthStrip을 통해 도출된 뇌 마스크 주변의 25mm 박스로 스캔을 크롭한 후 SynthSeg 적용.
3. Rescaled (리스케일): 규범적 생애 궤적에 기반하여 성인 총 뇌 체적(TCV)에 근사하도록 스캔을 리스케일하고, 이미지 헤더의 복셀 크기를 조정함.
4. Rescale + Crop (리스케일 및 크롭): 성인 체적으로 리스케일한 후 성인 FOV에 맞추기 위해 크롭을 결합한 방식.

성능 평가는 다음을 통해 이루어졌습니다:

• 자동 QC 점수: 8개의 주요 해부학적 구조에 대한 Dice 점수를 예측하는 SynthSeg의 내부 회귀 네트워크.
• 공간적 중첩: SynthSeg 출력값과 BOBs 그라운드 트루스 라벨 간의 Dice 계수.
• 시각적 검사: 세그멘테이션 경계에 대한 질적 평가.

주요 결과

• 영아기에서의 베이스라인 실패: 원본 SynthSeg 파이프라인은 심각한 연령 의존적 실패율을 보였습니다. 02세 연령 그룹에서 자동 QC(임계값 ≥ 0.65)를 통과한 스캔은 36%에 불과했으며, 3개월 미만의 스캔은 0%였습니다. 연령/뇌 크기와 QC 점수 사이에는 강한 양의 상관관계(02세 구간에서 ρ = 0.88)가 관찰되었습니다.
• 학습 분포 불일치: 분석 결과, 표준 증강(±20% 리스케일링)을 적용했음에도 불구하고 SynthSeg 학습 데이터(HCP, ADNI, OASIS)의 TCV 분포가 영아에서 관찰되는 더 작은 체적을 커버하지 못함을 확인했습니다. QC 실패율은 피험자의 TCV가 이 학습 분포로부터 떨어진 거리와 밀접하게 연관되어 있었습니다.
• 파이프라인 개선 효과:
  • Rescaling + Cropping (리스케일 및 크롭): 이 결합된 파이프라인은 가장 유의미한 개선을 보였습니다. BOBs 데이터셋에서 원본 파이프라인 대비 평균 Dice 점수를 0.0495 증가시켰으며(p=0.004), 결정적으로 자동 QC 점수와 세그멘테이션 품질 간의 상관관계를 복원했습니다.
  • QC 복구: 리스케일링만 수행했을 때는 Dice 점수가 향상되었으나, 역설적으로 자동 QC 점수는 낮아졌습니다. 이는 영아 스캔에 포함된 넓은 비뇌 영역을 QC 네트워크가 저품질 영역으로 해석했기 때문입니다. 크롭 과정은 이러한 불필요한 영역을 제거함으로써, QC 점수가 개선된 뇌 조직의 세그멘테이션을 정확하게 반영할 수 있도록 했습니다.
  • 코호트 전체에 대한 영향: "Rescale + Crop" 파이프라인을 전체 26k 코호트에 적용했을 때, 0~2세 연령 그룹의 통과율이 36%(3,069개 중 2,803개)에서 91%로 증가했습니다. 모든 연령 그룹의 중앙값 QC 점수는 0.65 임계값 이상을 유지했으나, 원본 파이프라인은 유아기에 이 임계값 아래로 떨어지는 현상을 보였습니다.
  • 대조도 불가지론(Contrast Agnosticism): T2w 스캔에서도 유사한 개선이 관찰되어, 이 파이프라인이 다양한 MRI 대조도에 걸쳐 유용함을 확인했습니다.

의의 및 주장
본 논문은 성인용으로 학습된 AI 세그멘테이션 도구를 영아에게 적용할 때 발생하는 주요 장벽이 뇌 크기와 시야(FOV)의 학습 분포 대비 불일치라고 주장합니다. 저자들은 영아 스캔을 성인 체적에 근사하도록 리스케일하고 성인 FOV에 맞춰 크롭하는 간단한 비재학습(non-retraining) 전처리 단계가 세그멘테이션 정확도를 크게 향고하며, 특히 자동 QC 지표의 신뢰성을 복원한다는 것을 입증했습니다.

이 연구의 의의는 탄생부터 성인에 이르기까지 인간의 전 생애에 걸친 신경해부학적 세그멘테이션을 위한 단일화된 통합 파이프라인 사용을 가능하게 한다는 점에 있습니다. 이는 방법론적 불연속성을 야기하는 분절된 연령별 파이프라인(예: 별도의 영아용 및 성인용 FreeSurfer 버전)의 필요성을 제거합니다. 대규모 발달 코호트 처리를 용이하게 함으로써, 이 접근 방식은 연속적인 생애 성장 곡선 생성을 지원하고 신경 발달 장애 분석을 개선합니다. 저자들은 이 방식이 성능을 향상시키기는 하지만, 신생아 뇌의 고유한 생물학적 복잡성(예: 특정 이랑 깊이나 피질 두께 궤적)을 완전히 포착하지는 못한다고 언급하며, 향후 전체 발달 범위를 학습한 모델이 이상적임을 시사했습니다. 그러나 제안된 완화책은 현재의 성인 중심 AI 도구들을 위한 즉각적이고 계산 효율적인 솔루션을 제공합니다.