[연구의 필요성]

해마(hippocampus)의 표면 형상은 알츠하이머병 등 다양한 신경퇴행성 질환의 국소적인 형태 변화를 분석하는 데 중요한 바이오마커이다. 그러나 기존 해마 표면 재구성 기법은 얇고 복잡한 해마 고랑(sulcus) 구조를 평활화하거나 위상 오류 및 self-intersection을 발생시키는 한계가 있어, 정밀한 표면 기반 형태 분석과 집단 간 통계 분석의 정확도를 저하시킨다. 따라서 해마 고랑 구조를 보존하면서도 안정적인 위상과 피험자 간 대응관계를 동시에 제공하는 표면 재구성 기술이 필요하다.

[포스텍이 가진 고유의 기술]

본 연구에서는 Sulcus-aware Hippocampal Surface Modeling 프레임워크를 제안하였다. 주요 기술적 차별성은 다음과 같다.

Sulcus-aware Template Construction: 해마 고랑 정보를 반영한 템플릿을 구축하여 미세한 해부학적 구조를 유지하면서 안정적인 표면을 생성한다.

Template-to-Subject Deformation Learning: 하나의 템플릿으로부터 피험자별 미분동형 변형장을 학습하여 self-intersection을 줄이고, 위상을 유지한 채 정점(vertex) 간 일대일 대응관계를 제공한다.

Training-time Sulcus-guided Learning: 고랑 마스크를 구하기 어려운 점을 고려하여 학습 단계에서만 고랑 마스크를 보조 정보로 활용하여 추론 시에는 일반 MRI와 해마 마스크만으로도 고랑 구조를 효과적으로 복원할 수 있도록 설계하였다.

[연구의 의미]

제안한 방법은 기존 표면 재구성 기법 대비 해마 고랑 구조를 더욱 정확하게 보존하면서도 self-intersection 및 위상 오류를 최소화하여 안정적인 표면을 생성하였다. 또한 피험자 간 정점 대응관계를 향상시켜 표면 기반 통계 분석의 신뢰성을 높였으며, 알츠하이머병과 정상군 비교에서 기존 방법보다 고랑 영역의 형태 변화를 더욱 민감하게 검출함으로써 임상적 활용 가능성을 확인하였다. 본 연구는 향후 다양한 뇌 질환의 정밀 형태 분석과 AI 기반 의료영상 분석을 위한 핵심 기반기술로 활용될 수 있다.

[연구결과의 진행 상태 및 향후 계획]

본 연구는 의료영상 분야 최고 권위 국제학술대회인 Medical Image Computing and Computer-Assisted Intervention (MICCAI 2026) 에서 발표 예정이다. 향후에는 다양한 MRI 획득 환경 및 대규모 데이터셋에서 일반화 성능을 검증할 계획이다. 또한 부분체적 효과(partial volume effect)에 대한 기하학적 안정성을 강화하여 다양한 임상 연구 및 의료영상 분석에 활용 가능한 범용 기술로 발전시킬 예정이다.

[성과와 관련된 실적]

Yuyeon Kim , Banseok Kim, Jiwon Son, Mingyu Joo, Kangmin Kim, Minji Ha, Minah Kim, and Ilwoo Lyu, “Sulcus-Aware Hippocampal Surface Modeling with Training-time Sulcus-guided Learning”, Medical Image Computing and Computer Assisted Intervention (MICCAI), 2026

[성과와 관련된 이미지]