[연구의 필요성]

대뇌 피질 구획화(cortical parcellation)는 뇌 표면을 해부학적으로 의미 있는 영역으로 구분하여 영역별 형태와 기능을 분석하기 위한 핵심 기술이다. 최근 딥러닝 기반 자동 구획화 기술이 활발히 연구되고 있으나 높은 성능을 위해서는 전문가가 직접 구축한 대규모 라벨 데이터가 필요하다. 이러한 데이터는 구축에 많은 시간과 비용이 소요되며 의료영상 분야에서는 충분한 학습 데이터를 확보하기 어려운 경우가 많다. 또한 기존 생성형 데이터 증강 방법은 새로운 피질 특징을 생성할 수는 있지만 이에 정확히 대응하는 라벨을 함께 확보하기 어렵다는 한계가 있어 적은 수의 라벨 데이터로도 효과적인 학습이 가능한 증강 기술이 요구된다.

[포스텍이 가진 고유의 기술]

본 연구에서는 Spherical RePaint라는 새로운 구면 데이터 증강 프레임워크를 제안하였다. 핵심은 확산모델을 이용해 다양한 대뇌 피질 표면 특징을 생성하면서도 기존 parcellation label을 그대로 재사용할 수 있도록 한 것이다. 이를 위해 라벨로부터 영역 경계를 추출하고 해당 경계 주변의 실제 피질 특징은 유지한 채 영역 내부만 새롭게 생성하는 label-derived boundary masking을 도입하였다. 또한 생성 영역과 보존 영역 사이의 불연속을 줄이기 위해 반복적인 resampling 과정을 적용하여 보다 자연스럽고 해부학적으로 일관된 cortical feature를 생성하도록 설계하였다. 이를 통해 별도의 라벨 생성이나 추가적인 surface registration 없이도 생성 데이터를 지도학습에 직접 활용할 수 있다.

[연구의 의미]

본 연구는 생성 모델을 이용해 다양한 대뇌 피질 특징을 생성하면서도 기존의 정답 라벨을 그대로 재사용할 수 있는 새로운 cortical surface 데이터 증강 기술을 제안했다는 데 의미가 있다. 특히 라벨 데이터가 극히 제한된 few-shot 학습 환경에서 기존 데이터 증강 및 생성 방법과 비교해 안정적인 성능 향상을 확인하였다. 실제 실험에서는 1-shot부터 5-shot까지 모든 평가 조건에서 제안 방법이 가장 높은 Dice 성능을 나타냈다. 이러한 결과는 대규모 라벨 데이터 구축이 어려운 의료영상 분야에서 생성형 모델을 이용해 학습 데이터의 다양성을 확보하고, 제한된 라벨을 보다 효율적으로 활용할 수 있음을 보여준다.

[연구결과의 진행 상태 및 향후 계획]

Spherical RePaint의 개발 및 성능 검증을 완료하였으며, 다양한 few-shot 조건에서 기존 증강 기법과 비교하여 성능 향상을 확인하였다. 향후에는 대뇌 피질 구획화뿐만 아니라 sulcal labeling 등 다양한 cortical surface 분석 문제로 적용 범위를 확대하고 제한된 라벨을 사용하는 다른 의료영상 분석 분야에도 활용할 계획이다.

• 
  [성과와 관련된 실적]

Kim, Kangmin, et al. "Spherical RePaint: Label-Reusable Diffusion-Based Augmentation for Parcellation." Workshop on Shape in Medical Imaging at MICCAI 2026. 2026.

[성과와 관련된 이미지]