피질하 영역(subcortical regions)의 정확한 분할(segmentation)은 신경외과적 계획(neurosurgical planning) 및 기능 연구(functional research)에 매우 중요합니다. 대부분의 자동화된 방법은 템플릿 공간 등록(template space coregistration)에 의존하며, 이는 특히 작은 구조물에서 환자 특이적 정확도(patient-specific accuracy)를 저해할 수 있습니다. 우리는 운동 장애(movement disorders)의 맥락에서 네이티브 공간(native space) 접근 방식이 측정 가능한 이점을 제공하는지 평가할 필요성을 확인하였으며, 이를 평가하였습니다. 우리는 파킨슨병(Parkinson's Disease)의 일반적인 수술 목표인 시상하핵(Subthalamic Nucleus, STN)과 인접한 적핵(Red Nucleus, RN) 및 흑질(Substantia Nigra, SN)에 대한 두 가지 UNet 기반 분할 파이프라인을 개발했습니다. 우리는 5개의 공개 데이터셋으로부터 7T 및 3T MRI 데이터를 수집했습니다. 파이프라인은 수동 라벨(manual labels)에 대비하여 네이티브 공간(native-space)에서 평가되었습니다. 우리는 더 나아가 템플릿 해상도(template resolution)의 효과를 조사했습니다. 모델이 더 높은 자기장(higher field)에서 목표 경계(target boundaries)를 더 잘 학습할 수 있다는 가설에 착안하여, 7T로 학습된 모델의 3T 임상 영상에 대한 전이 가능성(transferability)과, 얽힘 해제 표현 학습(disentangled representation learning) 방법을 통해 생성된 합성 3T 학습 데이터가 이러한 도메인 간극(domain gap)을 메우는 데 도움이 될 수 있는지 테스트했습니다. 홀드아웃(held-out) 7T 데이터에서 네이티브 파이프라인은 일관되게 템플릿 파이프라인보다 우수한 성능을 보였습니다. STN의 경우, 네이티브 공간 Dice 계수는 0.775 ± 0.055를 기록하여 템플릿 공간(1 mm template)의 0.713 ± 0.051과 대비되었으며, HD95는 각각 0.79 ± 0.24 mm 대 1.17 ± 1.10 mm를 기록했습니다. RN 및 SN에서도 유사한 이점이 관찰되었습니다. 템플릿 해상도를 높이는 것은 정확도를 향상시키지 않았습니다. 3T 영상에 적용했을 때 모든 모델은 상당한 성능 저하를 보였습니다. 합성 3T 데이터를 추가하는 것은 7T 성능을 저하시키지는 않았으나, 완만한 개선만을 가져왔습니다. 네이티브 공간 분할(Native-space segmentation)은 파킨슨병(PD)의 수술 계획과 같이 환자 특이적 해부학적 충실도(anatomical fidelity)를 요구하는 응용 분야에 더 적합합니다. 7T에서 3T로의 도메인 간극을 메우는 것은 여전히 해결해야 할 과제로 남아 있으며, 이는 피질하 구조에 맞춤화된 도메인 적응(domain adaptation)에 대한 향후 연구를 촉진합니다.