자기 공명 영상(MRI), 특히 기능적 MRI(fMRI)와 확산 MRI(dMRI)는 신경퇴행성 질환 연구에 필수적입니다. 그러나 누락된 모달리티는 임상적 사용에 큰 장벽이 됩니다. PDS는 (1) 크로스 모달리티 학습을 위한 패턴 인식 듀얼 모달 3D 확산 프레임워크와 (2) 구조적 충실도와 세밀한 디테일을 유지하기 위한 조직 정제 네트워크를 도입하여 fMRI-dMRI 합성을 위한 새로운 접근 방식을 제안합니다. OASIS-3, ADNI 및 자체 데이터세트에서 평가한 결과, PDS는 fMRI 합성에서 PSNR/SSIM 점수 29.83 dB/90.84%, dMRI 합성에서 30.00 dB/77.55%를 달성하여 최첨단 결과를 얻었습니다. 임상 검증에서 합성 데이터는 67.92%/66.02%/64.15%의 정확도(NC vs. MCI vs. AD)를 나타내며 강력한 진단 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
fMRI 및 dMRI 합성에 대한 새로운 딥러닝 기반 접근 방식 제안.
◦
합성 데이터의 품질 및 임상 진단 성능 향상.
◦
누락된 모달리티 문제를 해결하여 임상적 활용 가능성 증대.
•
한계점:
◦
논문에 구체적인 한계점 언급 없음. (하지만 논문 전체 내용에 따라 성능 향상에도 불구하고 여전히 개선의 여지가 있을 수 있음)
