의료 영상 AI의 새 지평을 연 PhaseGen: 위상 정보를 활용한 혁신적인 MRI 데이터 생성

독일 연구팀이 개발한 PhaseGen은 MRI 원시 데이터의 위상 정보를 활용하여 합성 데이터를 생성하는 혁신적인 AI 모델입니다. 실험 결과, 두개골 분리 작업의 정확도를 41.1%에서 80.1%로 크게 향상시켰으며, GitHub를 통해 공개된 코드는 AI 기반 의료 영상 분석 기술 발전에 크게 기여할 것으로 기대됩니다.

기존의 의료 영상 AI 연구는 주로 MRI 이미지의 크기 정보만을 사용해 왔습니다. 하지만 독일 연구팀(Moritz Rempe 외 7인)이 개발한 PhaseGen은 이러한 한계를 뛰어넘어, MRI 원시 데이터의 위상 정보까지 활용하는 획기적인 기술을 선보였습니다. PhaseGen은 확산 모델 기반의 복소수 MRI 데이터 생성 모델로, 일반적으로 사용되는 크기 이미지를 기반으로 인공적인 복소수 원시 데이터를 생성합니다. 이를 통해 k-Space 정보가 필요한 모델의 사전 훈련이 가능해졌습니다.

PhaseGen의 핵심은 바로 위상 정보의 활용입니다. 기존에는 무시되었던 위상 정보가 종양 분할 및 분류와 같은 다양한 임무에 유용하다는 점을 밝혀냈습니다. 실제로, 공개된 FastMRI 데이터셋을 사용한 실험 결과, PhaseGen을 통해 생성된 합성 위상 데이터로 훈련된 모델은 실제 데이터에서의 두개골 분리 작업에서 정확도가 41.1%에서 **80.1%**로 괄목할 만한 향상을 보였습니다. 또한, 제한된 실제 데이터와 결합하여 MRI 재구성 성능도 향상시키는 것으로 나타났습니다.

이 연구의 가장 큰 의의는 단순히 기술적 발전에 그치지 않고, 의료 영상 AI 분야의 패러다임 전환을 가져올 가능성이 있다는 점입니다. PhaseGen은 의료 데이터 부족 문제 해결에 중요한 해법을 제시하며, 더욱 정확하고 효율적인 진단을 가능하게 할 것입니다. 특히, PhaseGen의 코드는 GitHub (https://github.com/TIO-IKIM/PhaseGen) 에서 공개되어, 다른 연구자들의 활용과 추가 연구를 위한 기반을 마련했습니다. 이는 AI 기술 발전을 가속화하고, 더욱 혁신적인 의료 영상 분석 기술의 개발을 촉진할 것으로 기대됩니다.

PhaseGen은 단순히 새로운 기술이 아니라, 의료 영상 AI의 미래를 향한 중요한 한 걸음입니다. 향후 더욱 발전된 PhaseGen을 통해, 보다 정확하고 효율적인 의료 진단 시스템 구축에 기여할 것으로 기대됩니다.