2026년 7월 28일 팀 미팅 회의록

회의 정보

  • 일시: 2026년 7월 28일
  • 회의 형태: 팀 미팅
  • 작성자: 박선민
  • 주요 안건: PRAGO BGPVS 분석, CT segmentation 및 사전학습, CP 형태학 분석, QSM·R2* 및 source separation 분석 방향

1. 박다연 — PRAGO dataset의 BGPVS volume 분석

1.1 분석 항목

PRAGO dataset에서 다음 네 가지 BGPVS 지표를 산출하여 집단별 차이를 분석하였다.

  • 전체 PVS 부피(total PVS volume)
  • 가장 큰 PVS의 부피(largest PVS volume)
  • 평균 PVS 부피(mean PVS volume)
  • PVS 개수(PVS count)

1.2 주요 결과

  • Term 집단에서 PVS가 더 큰 경향이 나타났다.
  • 남아에서 PVS가 더 큰 경향이 나타났다.
  • 발달검사 결과가 평균 이하인 집단에서 PVS가 더 큰 경향이 나타났다.

현재 결과는 전반적인 경향을 중심으로 해석하였으며, 각 집단 차이의 통계적 유의성과 공변량의 영향은 추가 확인이 필요하다.

1.3 PMA·GA에 따른 PVS 분석

PMA와 GA에 따라 PVS 지표가 어떻게 변화하는지 분석하였다.

  • 나이가 증가할수록 PVS가 작아지는 방향의 경향이 나타났다.
  • PVS 개수, 전체 PVS 부피, 가장 큰 PVS 부피에서 유사한 음의 기울기가 관찰되었다.
  • 이 가운데 전체 PVS 부피에서만 p값이 통계적으로 유의하였다.

1.4 다음 분석 계획

  • [ ] BG fraction 분석 추가
  • [ ] Extra PRAGO 대상자를 포함하여 재분석
  • [ ] 표본 수 증가 후 집단별 경향과 통계적 유의성 재확인
  • [ ] PMA, GA, 성별, term/preterm 등의 영향을 함께 고려한 분석 검토

2. 이지후 — CT segmentation 및 사전학습·파인튜닝 진행 상황

2.1 데이터 및 입력 설정

  • 기존 CT 사전학습에서는 -200~20 범위의 1채널 입력을 사용하였다.
  • 이번 실험에서는 2채널 입력을 적용하고, 초기화 시 0.5배 scale을 사용하는 방향으로 설정하였다.
  • 학회 발표에서는 “비슷하다”, “같다”와 같은 표현을 사용하기 전에 반드시 정량적 검증과 근거가 필요하다는 피드백이 있었다.

2.2 1차 파인튜닝 결과

  • Best Dice: 0.7459
  • Dice score는 예측 segmentation과 정답 label 사이의 평균적인 겹침 정도를 평가하는 지표이다.
  • 안구 관련 label을 교체하였으며, segv0와 segv1 중 사람이 수작업으로 수정한 label은 v1이다.
  • 엑셀 정리를 통해 비교적 안정적으로 사용할 수 있는 대상자 약 30명을 선별하였다.

2.3 2차 학습 및 파라미터 검토

  • 2차 학습에서는 clDice 적용을 검토하였다.
  • Grid search 구조를 이용해 파라미터를 비교하였다.
  • T0~T5 step 간격이 지나치게 짧았을 가능성이 제기되었다.
  • 현재 결과에서는 clDice의 추가 효과가 크지 않을 수 있으므로, 기존 파라미터를 수정하고 주요 설정만 유지하는 방안을 검토하기로 하였다.
  • 사전학습 후 파인튜닝 결과는 전반적으로 나쁘지 않았으며, 2차 학습 후에는 비정상적인 label이 감소할 것으로 예상하였다.

확인 필요: 원문 메모의 T3, PCA perp, 노란색으로 표시된 파라미터의 정확한 명칭과 적용 방식은 다음 회의에서 다시 확인한다.

2.4 수술 환자 및 self-supervised learning

  • 수술 환자 데이터를 모델에 적용하여 결과를 확인할 필요가 있다.
  • 현재 학습 데이터에 수술 환자가 포함되어 있지 않으므로, 수술 후 환자를 학습 또는 평가에 포함하려면 별도의 label 구축이 필요하다.
  • Self-supervised learning은 272명의 데이터를 좌우로 분리하여 활용하는 방향을 검토하였다.

2.5 교수님 피드백

  • 픽셀 단위 segmentation label이 없더라도 환자가 정상, 수술 전, 수술 후 중 어떤 상태인지에 대한 비교적 거친 label은 존재한다.
  • 이러한 상태 label을 보조적으로 제공하면 encoder와 decoder가 병변 또는 상태 차이에 더 집중하도록 유도할 가능성이 있다.
  • 사전학습 시 reconstruction loss만 사용하는 것보다 contrastive learning loss를 추가하면 다양한 측면에서 효과를 얻을 수 있을 것으로 제안되었다.

2.6 평가 방향 및 다음 일정

  • 다음 주까지 1차 결과를 정리한다.
  • Dice score뿐 아니라, 모델이 각 muscle에서 자동으로 측정한 값과 사람이 직접 측정한 값의 상관관계를 평가한다.
  • 실제 활용 측면에서는 Dice보다 사람의 측정값과 기계 측정값의 일치도가 더 중요할 수 있다.
  • 우선 약 8명 정도를 대상으로 muscle별 상관관계 분석을 수행한다.
  • 워크숍 리뷰는 그다음 주 전체 미팅 시간에 진행한다.

2.7 다음 할 일

  • [ ] 2차 학습 및 파라미터 재조정
  • [ ] 수정 label을 사용한 재학습
  • [ ] 수술 환자 대상 추론 결과 확인
  • [ ] 수술 전·후 상태 label 활용 방안 검토
  • [ ] Reconstruction loss와 contrastive loss 결합 실험
  • [ ] 최소 8명에서 muscle별 사람 측정값과 모델 측정값의 상관관계 분석

3. 강정화 — CP morphology의 3차원 시각화 및 분석 방향

3.1 시각화 목적

  • 3차원 시각화의 목적은 대상자 또는 집단 사이의 형태 차이를 독자에게 효과적으로 전달하는 것이다.
  • CP volume만을 이용한 분석에는 한계가 있다.
  • 특히 volume은 촬영 protocol과 영상 품질 등의 영향에 민감할 수 있으므로, volume 외의 morphological feature를 함께 분석할 필요가 있다.

3.2 주요 연구 질문

CP morphology가 PMA에 따라 체계적으로 변화하는가?

이를 확인하기 위해 CP를 여러 구역으로 나눈 뒤 구역별 형태 변화를 비교하는 방안을 논의하였다.

  • CP를 3등분하여 각 구역의 변화를 확인하는 방법
  • 필요하면 4등분으로 확장하여 변화 양상을 비교하는 방법
  • 각 구역에서 설정한 morphological feature가 실제로 차이를 보이는지 검증
  • 분석 결과를 3차원 형태로 표현하여 시각적으로 전달

3.3 Skeleton 기반 정렬과 변환 문제

  • 사람마다 CP의 길이와 방향이 다르기 때문에 직접적인 위치별 비교가 어렵다.
  • Skeleton을 생성한 뒤 이를 기준으로 대상자 간 구조를 정렬하는 방안을 논의하였다.
  • 다만 rotation과 scaling이 포함되는 geometric transformation이 원래의 형태 정보를 왜곡할 가능성이 있다.
  • 변환 이후에도 3등분 또는 구역별 거리와 형태 정보가 의미를 유지하는지 확인해야 한다.

3.4 교수님 의견

  • 장축(major axis)을 기준으로 방향을 맞추는 과정은 필요할 수 있다.
  • Scaling은 모든 축에 동일하게 적용하기보다 장축 또는 skeleton 길이만 맞추는 방식을 우선 검토한다.
  • 장축만 정규화하고 나머지 두 축인 secondary axis와 least axis의 정보는 가능한 한 유지하면 형태 손상을 줄일 수 있을 것으로 보인다.
  • 정렬이나 scaling 없이도 그룹 비교가 가능한 morphology feature가 있는지 함께 찾아볼 필요가 있다.
  • 복잡한 simulation보다는 현재 3등분 분석 결과를 효과적으로 시각화하고, 각 그래프가 의미 있는 차이를 반영한다는 점을 먼저 보여주는 것이 중요하다.

3.5 민감도·특이도 평가 방향

  • 기존 방법은 민감도는 비교적 높지만 특이도가 충분하지 않은 경우가 있다.
  • 향후에는 형태 정보를 추가했을 때 특이도가 향상되는지를 확인한다.
  • QSM과 R2*만 사용하는 경우와 비교하여 morphology feature를 추가했을 때 분류 또는 구분 성능이 얼마나 개선되는지 평가할 필요가 있다.

3.6 다음 할 일

  • [ ] CP morphology와 PMA의 연관성에 대한 가설 구체화
  • [ ] 3등분과 4등분 중 분석 목적에 적절한 구역화 방법 결정
  • [ ] 구역별 morphological feature 정의 및 비교
  • [ ] Skeleton 기반 정렬 후 형태 정보가 보존되는지 검증
  • [ ] 장축 방향 정렬 및 장축 길이 scaling 방법 시험
  • [ ] 변환 없이 사용할 수 있는 형태 지표 조사
  • [ ] QSM·R2* 대비 morphology feature의 추가적인 특이도 개선 효과 평가

4. 박선민 — QSM·R2* 및 source separation의 추가 정보 검토

4.1 연구 질문

QSM과 R2*만으로도 발달 또는 집단 차이에 대한 일정한 경향이 관찰될 수 있다. 이에 따라 다음 질문을 중심으로 발표하였다.

QSM과 R2*에서 이미 보이는 변화에 더해, source separation으로 얻은 χ+와 χ−가 어떤 추가 정보를 제공하는가?

4.2 Source separation의 의미

  • R2*는 조직의 자화율 차이에 민감하지만, 관찰된 변화가 상자성 성분 때문인지 반자성 성분 때문인지를 직접 구분하지 못한다.
  • Source separation은 bulk susceptibility를 상자성 성분인 χ+와 반자성 성분인 χ−로 분리하여 변화의 원인을 보다 구체적으로 해석할 수 있게 한다.
  • 정상 신생아 뇌 발달 연구에서는 bulk χ에서 뚜렷하게 나타나지 않았던 GM–WM 차이와 PMA 관련 변화가 분리된 susceptibility에서 나타난 사례가 보고되었다.
  • 따라서 source separation의 주요 장점은 단순히 값의 차이를 더 크게 만드는 것이 아니라, QSM과 R2*만으로는 구분하기 어려운 변화의 방향과 조직 성분을 해석할 수 있게 하는 데 있다.

4.3 CP 내 vein 영역의 영향

  • CP QSM 및 R2* 값에 혈관이 포함되면 일부 높은 값이 전체 통계량을 증가시킬 가능성이 있다.
  • 따라서 CP를 vein이 포함된 영역과 vein이 아닌 영역으로 나누어 차이를 비교하는 방법을 제안하였다.
  • 혈관을 제외한 CP 영역에서도 기존의 좌우 차이 또는 발달 관련 경향이 유지되는지 확인할 필요가 있다.

4.4 Diffusion brain-age 연구에서 참고한 분석 구조

Term과 preterm 신생아의 brain age를 예측한 diffusion MRI 연구에서는 dHCP와 LPCH 데이터를 사용하였다.

분석 과정은 다음과 같다.

  1. Tractography로 뇌 전체 백질 섬유 경로를 추적
  2. pyAFQ를 이용해 26개의 백질 경로를 자동 분리
  3. 각 경로를 시작점부터 끝점까지 100개 지점으로 나눔
  4. 각 지점에서 FA와 MD를 측정

이에 따라 26개 백질 경로 × 100개 지점 × 2개 지표(FA, MD) = 5,200개 특징을 생성하였다.

QSM과 R2에는 tractography를 직접 적용할 수 없지만, 구조를 일정한 공간 또는 구역으로 나누어 위치별 분포를 비교한다는 아이디어*는 CP 분석에 적용할 수 있다.

예를 들어 CP를 3개 구역으로 나눈 뒤 다음 값을 계산할 수 있다.

  • 중앙값(median)
  • IQR
  • 90번째 백분위수(P90)
  • 왜도(skewness)
  • 구역 간 차이

이 방법을 이용하면 CP 전체 평균만으로는 확인하기 어려운 위치별 QSM·R2* 변화와 고값 voxel의 집중 위치를 확인할 수 있다.

4.5 PRAGO에 적용할 발달 심각도 점수 제안

PRAGO의 운동, 인지, 사회성 발달 결과를 이용해 간단한 발달 심각도 점수를 만드는 방안을 제안하였다.

  • 운동 영역 이상: 1점
  • 인지 영역 이상: 1점
  • 사회성 영역 이상: 1점
  • 총점: 0~3점

이 점수와 CP의 QSM 또는 R2*를 비교하여 발달 이상 영역의 수가 많을수록 영상 지표가 달라지는지 탐색할 수 있다.

다만 이는 탐색적 분석이므로 표본 수, 점수 기준, 집단 불균형과 PMA 등의 영향을 함께 고려해야 한다.

4.6 다음 할 일

  • [ ] CP vein 영역과 non-vein 영역을 분리한 QSM·R2* 분석
  • [ ] 혈관 제외 후 좌우 차이 및 PMA 관련 결과 재확인