[연구의 필요성]

뇌 나이(Brain Age)는 정상적인 뇌 발달과 노화 과정을 평가하고 신경퇴행성 질환을 조기에 발견하기 위한 중요한 바이오마커이다. 기존 표면 분석 모델은 패치 기반 처리 방식으로 인해 계산 비용이 크고 회전에 민감하여 해부학적 정렬이나 데이터 증강이 필요하다. 본 연구는 이러한 한계를 극복하기 위해 구면조화 기반의 회전 불변 정보를 활용하고, Mamba를 이용해 전역 구조와 국소 구조를 함께 학습하는 새로운 프레임워크를 제안하였다.

[포스텍이 가진 고유의 기술]

본 연구에서는 Spherical Harmonics 기반 Mamba 프레임워크(SPHARM-Mamba)를 제안함으로써 대뇌 피질 표면 기반 Brain Age Prediction 문제를 해결하고자 하였다. 이 프레임워크는 다음과 같은 특징을 가진다.

(1) 대뇌 피질 표면 신호를 구면조화(Spherical Harmonics) 영역으로 변환한 후, SHConv를 통해 회전에 강인한 스펙트럼 특징을 학습한다. 이후 harmonic degree별 정보를 회전 불변 특성으로 변환하여 전역 구조에서 국소 구조로 이어지는 시퀀스를 구성한다. 

(2) 자연스럽게 정렬된 harmonic degree 시퀀스를 Mamba 기반 상태공간모델(State Space Model)로 학습하여, 전역적인 형태 정보와 국소적인 형태 정보를 동시에 반영하는 다중 스케일 표현을 효과적으로 학습한다. 

(3) 제안한 프레임워크는 패치 분할이나 해부학적 정렬 없이도 회전에 강인한 표면 분석을 수행하며, 기존 표면 기반 딥러닝 모델 대비 약 30% 향상된 Brain Age Prediction 성능을 달성하였다. 또한 적은 모델 파라미터로도 높은 예측 정확도를 확보하여 다양한 의료영상 표면 분석 문제에 적용 가능한 범용 프레임워크를 제시하였다. 

[연구의 의미]

본 연구는 구면조화 기반 표면 표현과 Mamba를 결합하여 회전에 강인하면서도 전역 및 국소 구조를 동시에 반영하는 새로운 표면 분석 방법을 제시하였다. 이를 통해 기존 패치 기반 모델의 한계를 극복하고, 다양한 표면 기반 의료영상 분석 문제에 활용 가능한 범용 프레임워크를 제안하였다.

[연구결과의 진행 상태 및 향후 계획]

본 연구에서는 공개 뇌 MRI 데이터셋을 이용한 Brain Age Prediction에서 기존 방법보다 우수한 성능을 확인하였다. 향후에는 제안한 프레임워크를 다양한 의료영상 분석 과제에 확장하여 여러 작업에서도 우수한 성능을 보이는 범용성을 검증하고, 모델을 더욱 고도화하여 국제 저널에 후속 연구를 제출할 계획이다.

[성과와 관련된 실적]

Junho Choi, Mingyu Joo, Jiwon Son, Won Hwa Kim, and Ilwoo Lyu, “SPHARM-Mamba: Rotation-Invariant Multiscale Modeling for Brain Age Prediction”, Medical Image Computing and Computer Assisted Intervention (MICCAI), 2026

[성과와 관련된 이미지]