뇌 MRI에서 GAN 기반 합성 FDG PET 이미지를 활용한 비지도 이상 탐지 모델 성능 향상 연구

Daria Zotova 등 연구진은 GAN 기반 합성 FDG PET 이미지를 사용하여 심층 비지도 이상 탐지(UAD) 모델의 성능을 향상시키는 연구 결과를 발표했습니다. GAN 모델이 T1 MRI에서 FDG PET로의 변환에 효과적이며, 합성 데이터를 사용한 UAD 모델이 74%의 민감도를 달성했습니다. 이는 희귀 의료 데이터 문제 해결에 대한 새로운 해결책을 제시합니다.

서론: 최근 몇 년 동안 다중 모달 의료 영상 변환 분야에서 GAN(Generative Adversarial Network) 기반 아키텍처의 발전으로 큰 성과를 거두었습니다. 하지만, 대규모 다중 모달 데이터셋의 부족으로 인해, 합성 데이터의 과제 기반 성능 평가, 특히 심층 모델 학습에 대한 연구는 제한적이었습니다.

방법: Daria Zotova 등 연구진은 T1 가중 MRI 데이터에서 GAN 기반 프레임워크를 설계하여 합성 뇌 [18F]플루오르데옥시글루코스 (FDG) PET 이미지를 생성하는 연구를 진행했습니다. 먼저, 표준 정성 및 정량적 시각적 품질 평가를 수행했습니다. 그리고, T1 MRI와 FDG PET 이미지에서 미세한 간질 병변을 탐지하도록 설계된 심층 비지도 이상 탐지(UAD) 모델 학습에 이러한 합성 PET 데이터를 활용하는 영향을 조사했습니다.

연구진은 비지도 탐지 과제에 맞춘 합성 FDG PET 데이터의 새로운 진단 과제 지향적 품질 지표를 도입했습니다. Siamese autoencoders 기반 심층 표현 학습과 OC-SVM 밀도 지지 추정 모델을 결합한 UAD 모델을 학습시켰습니다. 이 모델은 정상 피험자에게만 학습되며 정상 집단 패턴과의 모든 차이를 탐지할 수 있습니다. 35쌍의 정상 피험자의 실제 MR T1과 35개의 실제 PET 이미지 또는 최고 성능의 생성 모델에서 생성된 35개의 합성 PET 이미지를 사용하여 학습된 모델의 탐지 성능을 비교했습니다. 성능 분석은 수술을 받은 17명의 간질 환자 검사를 대상으로 수행되었습니다.

결과: 최고 성능의 GAN 기반 모델은 SSIM 및 PSNR 값이 각각 약 0.9 및 23.8인 실제 제어 피험자의 사실적인 가짜 PET 이미지를 생성했고, 실제 제어 데이터셋과의 분포(ID) 일치도를 보였습니다. 이러한 합성 정상 PET 데이터로 학습된 최고의 UAD 모델은 74%의 민감도에 도달했습니다. Transformer나 확산 모델보다 GAN 기반 모델이 MR T1에서 FDG PET로의 변환에 가장 적합하다는 것을 확인했습니다. 또한, UAD 모델 학습 및 간질 환자의 임상 검사 평가에 이러한 합성 데이터의 진단적 가치를 입증했습니다. 연구진은 코드와 정상 이미지 데이터셋을 공개했습니다.

결론: 본 연구는 GAN 기반 합성 의료 영상 데이터를 활용하여 비지도 이상 탐지 모델의 성능을 향상시킬 수 있음을 보여주는 중요한 결과를 제시합니다. 희귀한 의료 영상 데이터 확보의 어려움을 극복하고, AI 기반 의료 영상 분석의 정확도를 높이는 데 크게 기여할 것으로 기대됩니다. 특히, 간질과 같은 질병 진단에 활용될 가능성이 높아 의료 분야에 혁신적인 변화를 가져올 수 있을 것으로 예상됩니다. 😊