[연구의 필요성]

구조적 뇌 네트워크 데이터는 확산 텐서 영상(DTI)의 높은 비용과 트랙토그래피(tractography)와 같은 복잡한 데이터 처리 과정 때문에 확보하기 어렵다. 또한, 의료 데이터셋은 건강한 사람의 표본 크기가 환자보다 훨씬 많은 심각한 클래스 불균형 문제를 흔히 겪는다. 최근의 그래프 생성 모델들이 해결책을 제시할 수 있지만, 필수적인 바이오마커인 위상학적 특징을 보존하는 것을 간과하는 경우가 많아 뇌 네트워크에 적용하기에는 연구가 부족했다.

 

[포스텍이 가진 고유의 기술]

본 연구는 위상학적 동질성(persistent homology)을 활용하여 고충실도 그래프 생성을 보장하는 조건부 그래프 확산 모델(conditional graph diffusion model)을 제안함으로써 이러한 한계에 대처한다. 우리는 특히 클래스 및 구조적 조건화를 통해 뇌 네트워크의 표적 합성을 가능하게 하는 조건 주입형 어텐션(Condition Infused Attention, CIA) 모듈과, 위상학적 일관성을 강화하는 위상 정렬(Topology Aligning, TA) 정규화 기법을 사용하는 조건부 그래프 확산(Conditional Graph Diffusion, ConGD) 모델을 제안한다. 알츠하이머병 신경영상 이니셔티브(ADNI) 데이터셋에 대한 실험 결과, 우리의 접근 방식은 라벨 조건에 따라 고충실도 합성 뇌 네트워크를 생성하며, 이는 다운스트림 그래프 분류 작업에서 예측 성능을 향상시키는 것으로 입증하였다.

 

[연구의 의미]

이 연구는 위상학적 제약 조건이 있는 조건부 그래프 확산 프레임워크인 ConGD를 도입하여 알츠하이머병 단계별 뇌 네트워크를 생성한다. 질병 라벨 및 위상 구조와 같은 조건적 요인을 생성 과정에 통합함으로써, 이 모델은 조건과 매우 관련이 있고 실제 뇌 네트워크와 유사한 뇌 네트워크를 성공적으로 합성한다. ADNI 데이터셋을 사용한 실험 결과는 ConGD가 표적 증강을 통해 클래스 불균형을 효과적으로 완화하고, 결과적으로 다운스트림 분류 성능을 향상시킴을 보여준다. 이 연구는 뇌 네트워크 합성에 있어 위상학적 인식 학습의 중요성을 강조하며, 신경 영상 분석을 향상시키고 의료 응용 분야에서 생성 모델의 활용도를 확장하는 유망한 방향을 제시한다.

 

[연구결과의 진행 상태 및 향후 계획]

본 연구는 의료영상처리 분야 최우수 국제학술대회인 The Medical Image Computing and Computer Assisted Intervention Society (MICCAI) 2025에 포스터로 발표될 예정이다. 향후 연구 계획으로는 다양한 의료데이터에 해당 방법론을 적용하여 데이터를 생성하여 이후에 질병진단모델과 같은 연구에 활용하여 성능을 높이는 등의 연구를 진행할 예정이다.

 

[성과와 관련된 실적]

Joonhyuk Park, Donghyun Lee, Guorong Wu, Won Hwa Kim, “Conditional Graph Diffusion with Topological Constraints for Brain Network Generation”, Medical Image Computing and Computer Assisted Intervention (MICCAI), 2025.

 

[성과와 관련된 이미지]