파킨슨병 등 퇴행성 뇌질환을 위한 뇌영상 데이터 표준화의 미래: 다기관 데이터를 연결하는 혁신 플랫폼

- 6월 30, 2025

파킨슨병 등 퇴행성 뇌질환을 위한 뇌영상 데이터 표준화의 미래: 다기관 데이터를 연결하는 혁신 플랫폼

서론: 뇌질환의 정밀 진단을 위한 뇌영상 데이터의 중요성

파킨슨병, 알츠하이머병, 치매 등 퇴행성 뇌질환은 고령화 사회에서 빠르게 증가하고 있는 사회적 부담 질환입니다.

이러한 질환의 조기 진단 및 치료 효과 예측에는 정량적이고 객관적인 뇌영상 데이터가 필수적입니다.

특히 MRI, PET, CT 영상은 환자의 병리적 변화를 시각적으로 확인할 수 있어 의료 및 연구 양측에서 핵심적 도구로 사용되고 있습니다.

그러나 뇌영상 데이터는 병원, 장비 제조사, 촬영 조건 등 다양한 요인에 의해 데이터 특성이 달라집니다.

이로 인해 병원 간 비교 연구, 대규모 인공지능 분석, 클라우드 기반 데이터 연동 등이 어려운 실정입니다.

이러한 문제를 해결하기 위해 뇌영상 데이터의 표준화 기술 개발과 플랫폼 구축이 절실히 요구되고 있습니다.

1. 뇌영상 표준화의 필요성과 개념

1.1 뇌영상의 표준화란 무엇인가?

표준화(Harmonization)란 서로 다른 장비나 기관에서 획득된 의료영상을 일정 기준으로 정규화하여 분석 가능한 형태로 통합하는 기술을 의미합니다.

1.2 왜 뇌질환에서는 더 중요한가?

MRI: 장비마다 해상도와 필터값이 다르며, 대뇌피질 두께(cortical thickness) 측정값도 달라짐.
PET: tracer 종류, SUVr 기준영역에 따라 수치가 변화함.
CT: 영상 contrast, 선량(dose)에 따른 영상 품질 차이 존재.

이러한 변동성은 다기관 뇌질환 연구에서 정량적 비교를 어렵게 하며, AI 기반 진단 알고리즘의 일반화도 저해합니다.

2. MRI 표준화: W-Score와 딥러닝 기반 기술

2.1 선형혼합모델(LME)을 이용한 W-Score

고려대학교 연구팀은 11개 데이터셋에서 수집된 T1-weighted MRI를 기반으로, **나이, 성별, 교육 수준 등의 인구학적 요인을 보정한 선형혼합효과모델(LME)**을 구축하였습니다.

뇌피질 두께의 개별 값 → 예측값과의 차이 / 표준편차 = W-score
센터 효과(Center effect)를 제거한 중립적 척도로 환산

2.2 딥러닝 기반 스타일 전환 표준화

전통적 방식의 한계를 극복하고자, 연구팀은 3D 스타일 변환 기반의 딥러닝 모델도 함께 개발했습니다.

GAN(Generative Adversarial Network)을 변형한 구조
SSIM(Structural Similarity), LPIPS 등으로 이미지 품질 검증

3. PET 영상의 Centiloid 변환과 ML-CTU 모델

3.1 기존 방식의 한계

**SUVr(standardized uptake value ratio)**는 tracer 및 기준영역 선택에 따라 결과가 크게 달라지고, tracer마다 cut-off도 일관되지 않음.

3.2 ML 기반 통합 표준화 모델: ML-CTU

다양한 tracer(FBB, FMM)를 하나의 scale로 환산
머신러닝 회귀모델을 통해 특정 tracer로 학습된 값을 다른 tracer에 적용

4. CT 영상의 표준화와 세그멘테이션 기술

CT는 상대적으로 contrast가 낮아 분석이 어려우며, 고선량 vs 저선량 문제도 존재합니다.

4.1 주요 소포 자동 분할

백질(White matter), 회백질(Grey matter), 뇌척수액(CSF) 등 3대 영역을 딥러닝 기반 모델로 자동 추출

4.2 VRS 기반 CT 예측 모델

MRI 기반의 Visual Rating Scale(VRS) 분류 결과와 CT 영상으로 예측한 결과가 유사함을 보이며, 임상 활용 가능성을 검증함.

5. 뇌영상 표준화 플랫폼: 임상DB와의 연동 사례

5.1 플랫폼 구성 및 기능

AWS 기반 서버에 Nifti 변환, N4 왜곡 보정, FastSurfer 분할 모듈, w-score 계산기 등을 이식
사용자는 UI 없이 임상연구DB를 통해 자동 연동

5.2 프로토콜 표준화 및 사용 편의성

Siemens, GE 등 다기기(MR, PET, CT)에 대응하는 표준 프로토콜 수립
프로토콜 불일치로 인한 표준화 실패율을 현저히 줄임

6. 파킨슨병 진단용 전향적 표준화 모델

파킨슨병 환자의 전향적 데이터를 활용하여 프로토콜을 검증하였으며, 다음의 기술이 반영됨:

SN, STN, RM, DEN 등 예측이 어려운 영역 → U-Net++ 딥러닝 분할
질환 예측 AI모델 고도화

결론: 다기관 뇌영상 통합의 시대가 온다

MRI, PET, CT 등 모든 뇌영상 데이터를 하나의 통합 표준으로 분석할 수 있는 표준화 기술 및 플랫폼은 정밀의학의 핵심 인프라입니다.

데이터 신뢰성 향상
AI 진단 정밀도 향상
코호트 연구의 일관성 확보
다기관 연구 가속화

참고문헌

Kim, S. W., Kim, S. W., Noh, Y., Lee, P. H., Na, D. L., Seo, S. W., & Seong, J. K. (2022). Harmonization of multicenter cortical thickness data by linear mixed-effect model. Frontiers in Aging Neuroscience, vol. 14. doi:10.3389/fnagi.2022.978120
Fortin, J. P., Cullen, N., Sheline, Y. I., Taylor, W. D., Aselcioglu, I., Cook, P. A., ... & Shinohara, R. T. (2018). Harmonization of cortical thickness measurements across scanners and sites. NeuroImage, 167, 104–120.
Jack Jr, C. R., Bernstein, M. A., Borowski, B. J., Gunter, J. L., Fox, N. C., Thompson, P. M., ... & Weiner, M. W. (2010). Update on the magnetic resonance imaging core of the Alzheimer's Disease Neuroimaging Initiative. Alzheimer's & Dementia, 6(3), 212-220.
Klunk, W. E., Koeppe, R. A., Price, J. C., Benzinger, T. L., Devous, M. D., Jagust, W. J., ... & Mathis, C. A. (2015). The Centiloid project: standardizing quantitative amyloid plaque estimation by PET. Alzheimer's & Dementia, 11(1), 1-15.
Ashburner, J., & Friston, K. J. (2005). Unified segmentation. NeuroImage, 26(3), 839-851.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 234-241). Springer.
Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1125-1134).

이 블로그 검색

MediWave