뇌 연령 변환(Brain age transformation)은 기준 뇌 영상(reference brain images)을 합성 영상으로 변환하여 특정 연령 집단의 연령 특이적 특징을 정확히 반영하는 이미지를 생성하는 것을 목표로 한다. 이 과제의 주요 목적은 기준 영상의 모든 연령 비관련 특성은 그대로 보존한 채 연령과 관련된 속성만을 수정하는 것이다. 그러나 이러한 목표를 달성하는 데에는, 백본 인코더에서 추출된 특징(feature) 안에 다양한 영상 속성이 내재적으로 얽혀(entangled) 있기 때문에, 영상 생성 과정에서 동시에 변화가 일어나는 문제가 수반되어 상당한 어려움이 따른다. 이를 해결하기 위해 본 연구에서는 정체성 보존(identity-preserved) 뇌 연령 변환을 위한 분리 표현 학습(disentangled representation learning)을 활용하는 새로운 아키텍처인 IdenBAT를 제안한다. 이 접근은 영상 특징을 분해(decomposition)할 수 있게 하여, 개인의 고유한 특성을 보존하는 한편 연령과 관련된 특성은 표적 연령 집단의 특성에 맞도록 선택적으로 변환한다. 2D 및 전 크기(full-size) 3D 뇌 데이터셋 모두에서 수행한 종합적인 실험을 통해, 본 방법은 입력 영상을 표적 연령으로 정확히 변환하면서도 개인의 특성을 올바르게 유지하는 데 효과적으로 작동함을 보여준다. 또한 본 접근은 성능 충실도(performance fidelity) 측면에서 기존의 최신 기술 대비 우수함을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.