Feature Integration of FDG PET Brain Imaging Using Deep Learning for Sensitive Cognitive Decline Detection

기술 요약: 민감한 인지 저하 탐지를 위한 딥러닝 기반 [18F]FDG PET 뇌 영상의 특징 통합

문제 제기
초기 알츠하이머병(AD) 및 경도 인지 장애(MCI)를 포함한 인지 저하(CD) 환자와 인지 정상(CN) 개인을 구별하는 것은 조기 개입을 위해 매우 중요하다. [18F]플루오로데옥시글루코스(FDG)를 이용한 양전자 방출 단층 촬영(PET)은 CD와 관련된 기능적 뇌 변화를 포착하지만, 비용, 방사선 노출 및 데이터 제한으로 인해 임상적 유용성이 제한되는 경우가 많다. 또한, 기존의 딥러닝 접근 방식은 단일 특징 표현(원시 영상 또는 영역 기반 정량화 중 하나)에 의존하는 경우가 많으며, 데이터가 제한된 임상 환경에서 일반화에 어려움을 겪을 수 있다. 본 연구는 단일 영상 양식(FDG PET)을 활용하여 진단 정확도와 민감도를 향상시키는 데이터 효율적인 다중 모달 프레임워크의 필요성을 다룬다.

연구 방법론
저자들은 동일한 FDG PET 스캔에서 유도된 두 가지 구별되는 특징 유형인 복셀 수준(voxel-level) 영상 특징과 영역 수준(region-level) 정량화 특징을 통합하는 다중 표현 딥러닝 프레임을 제안한다. 이 프레임워크는 네 단계로 구성된다:

1. 데이터 전처리:

   • 영상 데이터: 3D PET 스캔을 128 × 128 × 64 크기로 재조정하고 2D 영상으로 슬라이싱하였다. 학습을 위해 10개의 중심 축 방향 슬라이스를 추출하였고, 테스트를 위해 단일 중간 슬라이스를 사용하였다.
   • 정량화 데이터: FreeSurfer를 사용하여 MRI 스캔을 41개의 별도 뇌 영역으로 분할하였다. 이 마스크들을 PET 스캔과 공동 등록(coregistered)하여 각 영역의 표준 섭취 비율(SUVr) 측정을 추출하였으며, 그 결과 표 형식의 데이터를 얻었다.
   • 데이터셋: Alzheimer's Disease Neuroimaging Initiative(ADNI)에서 252명의 피험자(CN 118명, CD 134명(MCI 70명, AD 64명))를 활용하였다. 데이터는 5-겹 교차 검증(5-fold cross-validation)을 통해 피험자 수준에서 분할되었다(학습 64%, 검증 16%, 테스트 20%).

2. 특징 추출:

   • 영상 브랜치: 두 가지 아키텍처를 테스트하였다: 사전 학습된 EfficientNetB0(마지막 4개 층을 미세 조정함)를 사용하는 합성곱 신경망(CNN)과 소규모 데이터셋의 한계를 해결하기 위한 주성분 분석 네트워크(PCANet)이다. 특징은 여러 층(예: CNN1, CNN2, CNN3)에서 추출되었다.
   • 정량화 브랜치: 심층 신경망(DNN)이 표 형식의 SUVr 데이터를 처리하였다. 특징은 원본 데이터(DNN0)와 함께 세 개의 별도 층(DNN1, DNN2, DNN3)에서 추출되었다.

3. 특징 융합:

   • 영상 브랜치와 정량화 브랜치의 특징들은 직접적인 결합(concatenation)을 통해 통합되었다. 본 연구는 가능한 모든 16가지의 특징 수준 조합(4가지 영상 수준 × 4가지 정량화 수준)을 평가하였다.

4. 분류:

   • 융합된 특징 벡터는 12개의 머신러닝 분류기(Random Forest, SVM, XGBoost 등 포함)에 입력되었다.
   • 견고함을 높이기 위해 이질적인 분류기 집합(RF, MLP, CatBoost, SVM, LR)을 사용하는 앙상블 기법(hard voting, soft voting, stacking)이 적용되었다.

주요 결과

• 베이스라인 성능: 단일 모달리티 모델 중, DNN(영역 수준 정량화만 사용)이 가장 높은 정확도(0.82 ± 0.06)와 F1-score(0.82 ± 0.08)를 달성하였다. CNN 및 PCANet 모델(영상 데이터만 사용)은 0.69의 더 낮은 정확도를 기록하였다.
• 융합 성능: DNN 특징(특히 DNN2 층)과 CNN 특징(CNN1 또는 CNN2 층)을 결합한 통합 모델이 가장 높은 성능을 보였다. 최적의 융합 모델은 0.86 ± 0.05의 정확도와 0.87 ± 0.04의 F1-score를 달est하였다.
• 앙상블 성능: 최적의 융합 모델(Ensemble 1)에 앙상블 전략을 적용함으로써 결과가 더욱 개선되어, 정확도 0.87 ± 0.05, 재현율(recall) 0.88 ± 0.04, F1-score 0.88 ± 0.05를 달성하였다.
• 민감도 향상: 최적의 베이스라인(DNN)과 비교했을 때, 앙상블 융합 모델은 정확도에서 6.10%의 개선을 보였으며, 재현율(0.77에서 0.88로)이 크게 증가하여 실제 양성 CD 사례를 탐지하는 데 대한 민감도가 향상되었음을 나타냈다.
• 임상 상관관계: 모델 출력값은 Mini-Mental State Examination(MMSE) 점수와 유의미한 음의 상관관계를 보였으며(p < 0.001), 이는 예측 확률이 질병의 중증도를 반영함을 시사한다.
• MMSE와의 비교: MMSE 기반 분류(CD 기준점 < 24)와 직접 비교했을 때, 제안된 모델은 정확도(0.88 vs. 0.72), 재현율(0.89 vs. 0.42), F1-score(0.88 vs. 0.59) 측면에서 MMSE보다 우수한 성능을 보였으나, MMSE는 정밀도(precision)에서 더 높은 수치(1.00)를 보였다.

의의 및 주장
본 논문은 딥러닝을 통해 PET 영상과 영역 수준의 정량화를 결합하는 것이 단일 특징 모델보다 진단 성능을 향상시킨다고 주장한다. 저자들은 이러한 다중 모달 전략이 인지 저하 탐지에 있어 중요한 요소인 민감도를 높인다는 점을 강조한다. 복셀 수준의 패턴과 영역 특이적 대사율이라는 상호 보완적인 정보를 통합함으로써, 이 접근 방식은 인지 저하를 분류하는 데 있어 더 데이터 효율적이고 정확한 방법을 제공한다. 본 연구는 이러한 융합 기반 접근 방식이 MMSE와 같은 기존 임상 지표를 보완하는 진단 보조 도구로서 작-용하며, 임상 현장에서의 광범-한 PET 활용을 지원할 수 있음을 시사한다. 저자들은 데이터셋의 크기가 제한적이었음에도 불구하고, 5-겹 교차 검증과 앙상블 방법을 사용하여 실제 임상 제약 조건에 적합한 견고한 성능 추정치를 제공하였다고 언급하였다.