핵심 요약

여러 cohort에서 들어온 T1w MRI를 연구에 바로 넣기 위해서는 방향, 해상도, 크기, intensity scale, brain mask, segmentation, ROI, QC 기준을 하나의 입력 계약(input contract) 으로 맞춰야 한다. 이 문서는 KDRC_24006526 / ses-1 예시 이미지를 따라 raw-like T1w MRI가 최종 model-ready tensor가 되는 과정을 설명한다.

전체 전처리 단계 montage
전체 전처리 단계 montage

이 글을 읽는 방법

  • 목적: 모델 학습용 3D tensor를 만들기 전에 어떤 품질 문제가 생길 수 있는지 단계별로 확인한다.
  • 이미지 기준: 모든 이미지는 /images/articles/mri-gallery-20260507/ 아래의 JPG 파일을 사용한다.
  • 주의: 아래 이미지는 한 subject의 QC 예시다. cohort 전체 품질을 보장하려면 ready manifest, 실패 사유, ROI voxel count distribution, site/scanner별 QC를 따로 봐야 한다.

전체 흐름 한눈에 보기

1. Native T1w input validation 2. Canonical RAS orientation 정렬 3. N4 bias correction 또는 동등한 intensity correction 4. HD-BET brain extraction 5. FastSurfer segmentation 6. Dementia-relevant ROI mask generation 7. 1 mm isotropic resampling 8. [192, 224, 192] crop/pad 9. Foreground intensity normalization 10. Final QC + ready manifest

실제 batch 운영에서는 HD-BET와 FastSurfer처럼 무거운 외부 stage를 먼저 실행하고, 후처리 script가 FastSurfer QC, ROI 생성, 1 mm RAS 변환, crop/pad, z-score normalization, final QC를 묶어 처리한다.

1. Native T1w input: 원본이 처리 가능한지 확인

Native T1w input
Native T1w input

무엇을 확인하나?

여러 cohort의 T1w MRI는 acquisition protocol, orientation, voxel size, shape, intensity range가 서로 다르다. 어떤 파일은 깨져 있거나, 4D로 저장되어 있거나, affine이 비정상일 수 있다. 전처리의 첫 단계는 “이 파일을 후속 pipeline에 넣어도 되는가?”를 판단하는 것이다.

QC 체크리스트

  • NIfTI load 가능 여부
  • 3D structural volume 여부
  • finite value ratio
  • nonzero ratio
  • voxel size sanity
  • shape sanity
  • affine determinant sanity
  • intensity dynamic range warning

예시 산출물

  • Raw/native-like input: /home/vlm/data/preprocessed_minyoung4/cross_sectional/KDRC/KDRC_24006526/native_t1w.nii.gz
  • QC image: 01_native_input.jpg

연구적으로 중요한 이유

입력 validation을 생략하면 후반부의 HD-BET/FastSurfer 같은 비싼 단계에서 실패가 발견된다. 더 위험한 경우는 실패가 조용히 통과되어 downstream 모델이 깨진 affine, 잘린 brain, 비정상 intensity를 질병 신호처럼 학습하는 것이다.

2. Canonical RAS: 같은 방향의 뇌로 맞추기

MRI 파일은 같은 brain이라도 저장 orientation이 다를 수 있다. 이 상태에서 crop, resampling, longitudinal difference 계산을 하면 좌우/앞뒤/상하 의미가 흔들린다.

산출물

  • Canonicalized intermediate image 또는 이후 HD-BET/FastSurfer 입력
  • affine/orientation 관련 QC log

연구적으로 중요한 이유

Longitudinal representation learning에서는 같은 subject의 baseline/follow-up 차이를 질병 진행 신호로 해석하려 한다. orientation handling이 흔들리면 모델은 progression이 아니라 좌표계 처리 차이를 배울 수 있다. RAS canonicalization은 longitudinal claim의 최소 조건이다.

3. N4 bias correction: scanner brightness field 줄이기

T1w MRI에는 coil sensitivity와 scanner field 때문에 같은 조직이라도 위치에 따라 밝기가 달라지는 low-frequency bias가 생길 수 있다. N4 bias correction 또는 이에 준하는 intensity correction은 skull stripping, segmentation, normalization이 더 안정적으로 작동하도록 돕는다.

주의점

  • T1w에는 합리적인 correction 단계다.
  • PET에는 같은 논리로 적용하면 안 된다. PET intensity는 tracer uptake와 정량 의미가 있으므로 T1w용 N4 처리 논리를 그대로 옮기면 위험하다.
  • 실제 구현 적용 범위는 batch log와 script 기준으로 계속 검증해야 한다.

4. HD-BET brain extraction: brain foreground 정의

HD-BET brain-only image
HD-BET brain-only image
HD-BET brain mask overlay
HD-BET brain mask overlay

HD-BET는 skull, scalp, neck, background를 제거해서 brain-only image와 brain mask를 만든다.

예시 산출물

  • Brain-extracted image: /home/vlm/data/preprocessed_official/v1/KDRC/subjects/24006526/ses-1/t1w/native_t1w_hdbet.nii.gz
  • Brain mask: /home/vlm/data/preprocessed_official/v1/KDRC/subjects/24006526/ses-1/t1w/native_t1w_hdbet_bet.nii.gz
  • QC images: 02_hdbet_brain.jpg, 03_hdbet_mask_overlay.jpg

QC 체크리스트

  • skull/scalp가 충분히 제거되었는가?
  • frontal/temporal pole, cerebellum, cortex edge가 과도하게 잘리지 않았는가?
  • brain mask가 brain 밖 tissue를 과하게 포함하지 않는가?
  • 노년/위축 brain에서 ventricle 주변이나 temporal lobe가 누락되지 않았는가?

연구적으로 중요한 이유

Brain mask는 단순 배경 제거용 artifact가 아니다. 이후 foreground intensity normalization의 기준이고, crop/pad 중심을 잡는 기준이며, 모델이 background/FOV shortcut을 덜 배우게 하는 장치다.

5. FastSurfer segmentation: 해부학적 artifact 만들기

FastSurfer segmentation overlay — affine corrected
FastSurfer segmentation overlay — affine corrected

FastSurfer는 T1w brain을 anatomical labels로 분할한다. 이 단계는 예쁜 segmentation을 얻기 위한 것만이 아니라, dementia 연구에서 쓸 수 있는 ROI mask와 anatomical QC artifact를 만드는 단계다.

예시 산출물

  • FastSurfer segmentation: /home/vlm/data/preprocessed_official/v1/KDRC/subjects/24006526/ses-1/t1w/fastsurfer/24006526/mri/aparc.DKTatlas+aseg.deep.mgz
  • HD-BET/native grid로 재표본화된 segmentation: aparc_DKT_on_hdbet_grid.nii.gz
  • 우선 사용 QC image: 04_fastsurfer_seg_overlay_affine_corrected.jpg

중요한 alignment caveat

초기 overlay인 04_fastsurfer_seg_overlay.jpg는 FastSurfer conformed 256^3 space와 HD-BET/native NIfTI grid를 voxel index로 직접 겹치면서 alignment가 틀려 보일 수 있었다. 따라서 segmentation/ROI 해석에는 corrected image를 우선 사용해야 한다.

  • 04_fastsurfer_seg_overlay_affine_corrected.jpg
  • 05_roi_hippocampus_overlay_affine_corrected.jpg
  • 04b_fastsurfer_seg_overlay_fs_orig_space.jpg

이 caveat는 중요하다. segmentation 자체가 틀린 것이 아니라 overlay 좌표계가 틀린 것일 수 있기 때문이다. 반대로 corrected overlay에서도 어긋나면 segmentation 또는 resampling 문제를 의심해야 한다.

QC 체크리스트

  • segmentation이 brain anatomy에 맞게 위치하는가?
  • cortical/subcortical labels가 brain 밖으로 벗어나지 않는가?
  • 좌우 구조가 비정상적으로 뒤바뀌거나 찌그러지지 않았는가?
  • cohort별 systematic failure가 있는가?

6. ROI mask generation: dementia-relevant 구조 분리

Hippocampus ROI overlay — affine corrected
Hippocampus ROI overlay — affine corrected

FastSurfer label에서 hippocampus, amygdala, entorhinal cortex, parahippocampal cortex, ventricles, posterior cingulate, precuneus 같은 dementia-relevant 구조를 mask로 추출한다.

예시 산출물

  • Hippocampus ROI: /home/vlm/data/preprocessed_official/v1/KDRC/subjects/24006526/ses-1/t1w/roi_masks/hippocampus.nii.gz
  • Gallery-local corrected hippocampus mask: hippocampus_on_hdbet_grid.nii.gz
  • QC image: 05_roi_hippocampus_overlay_affine_corrected.jpg

이 단계가 가능하게 하는 분석

  • ROI-wise representation pooling
  • medial temporal lobe 중심 ablation
  • PET uptake 또는 centiloid와 regional alignment
  • hippocampus/entorhinal/ventricle 중심 disease progression probe
  • 모델 attention/occlusion 결과가 실제 해부학적 구조와 맞는지 검증

단, ROI mask 하나가 곧 disease evidence는 아니다. ROI는 측정 범위를 정의하는 도구이며, disease claim은 subject-level split, cohort control, age/sex/ICV adjustment, PET/clinical endpoint와 함께 검증되어야 한다.

7. Resample to 1 mm: voxel spacing 통일

Cohort마다 voxel size가 다르면 같은 해부학적 거리도 voxel 수로는 다르게 표현된다. 3D CNN/ViT/JEPA encoder는 실제 brain scale이 아니라 acquisition resolution 차이를 배울 수 있다. 그래서 최종 image와 mask를 1 mm 기준으로 맞춘다.

구현 원칙

  • Image: linear interpolation
  • Label/mask: nearest-neighbor interpolation

Label mask를 linear interpolation하면 anatomical label 값이 섞여 class 의미가 깨진다. 이 차이는 ROI volume과 boundary QC에 직접 영향을 준다.

8. Crop/pad to [192, 224, 192]: 모델 입력 크기 고정

Deep learning 모델은 보통 fixed shape tensor를 요구한다. 원본 MRI shape는 cohort마다 다르므로, brain mask 기준으로 crop/pad하여 [192, 224, 192] 형태를 만든다.

산출물

  • Fixed-shape image tensor
  • Fixed-shape brain mask
  • brain voxel loss ratio 또는 crop/pad QC metric

핵심 포인트

이 단계의 핵심은 shape 통일 자체가 아니라 brain loss를 감시하면서 shape를 통일하는 것이다. 단순 center crop은 일부 cohort에서 brain edge를 자를 수 있고, 그 잘림이 dataset/domain shortcut이 될 수 있다.

9. Foreground intensity normalization: scanner brightness shortcut 줄이기

Final tensor and brain mask overlay
Final tensor and brain mask overlay

최종 tensor는 brain foreground voxel을 기준으로 robust clipping 후 z-score normalization된다. background zero가 normalization 통계에 들어가지 않도록 brain mask 내부를 기준으로 mean/std를 계산한다.

예시 산출물

  • Final model input: /home/vlm/data/preprocessed_official/v1/KDRC/subjects/24006526/ses-1/t1w/final_tensor/t1w_brain_1mm_RAS_192x224x192_zscore.nii.gz
  • Final brain mask: /home/vlm/data/preprocessed_official/v1/KDRC/subjects/24006526/ses-1/t1w/final_tensor/brain_mask_1mm_RAS_192x224x192.nii.gz
  • QC image: 06_final_tensor_mask_overlay.jpg

연구적으로 중요한 이유

Intensity normalization은 scanner/protocol brightness 차이를 줄이지만, cohort effect를 완전히 제거하지는 않는다. Downstream에서는 dataset-only, age/sex-only, QC-only shortcut baseline이 여전히 필요하다.

10. Final QC + ready manifest: 학습 가능한 row만 넘기기

전처리 파일이 존재한다고 곧바로 학습에 써서는 안 된다. 최종적으로 다음 조건을 확인하고 ready manifest에 기록해야 한다.

Final QC checklist

  • HD-BET output exists
  • FastSurfer QC PASS 또는 허용 가능한 WARN
  • ROI mask generation PASS
  • final tensor exists
  • final mask exists
  • finite ratio 정상
  • mask ratio 정상
  • brain voxel loss ratio 허용 범위
  • path validity 확인
  • subject/session/scan 단위가 명확히 기록됨

결론

이 파이프라인의 진짜 가치는 raw T1w MRI를 보기 좋은 이미지로 만드는 데 있지 않다. 여러 cohort의 MRI를 같은 input contract로 통일하고, raw data를 보존하면서, QC와 manifest를 통해 실패를 추적하고, dementia 연구에 필요한 anatomical ROI까지 남기는 데 있다.

JEPA/SSL, PET amyloid transfer, longitudinal progression modeling은 이 기반 위에서만 설득력 있게 주장될 수 있다.

관련 글

  • 알츠하이머 MRI ROI mask 시각 가이드

참고한 내부 evidence

  • Source gallery: /home/vlm/data/preprocessed_official/v1/_reports/preprocessing_stage_gallery_20260507
  • 직접 확인한 이미지: 00_stage_montage.jpg, 01_native_input.jpg, 02_hdbet_brain.jpg, 03_hdbet_mask_overlay.jpg, 04_fastsurfer_seg_overlay_affine_corrected.jpg, 05_roi_hippocampus_overlay_affine_corrected.jpg, 06_final_tensor_mask_overlay.jpg
  • Alignment caveat source: overlay_alignment_diagnosis.json