뇌 파형을 파악한다 스펙트럴 그래프 웨이브렛 기반 WaveletBrain

알츠하이머병(AD) 조기 진단은 환자 관리와 치료 개발에 핵심적이다. 기존의 부피·Voxel‑wise 형태 분석은 전역적인 차이는 포착하지만, 피질 표면의 지역적 주름 변화를 놓치기 쉽다. 이를 보완하고자 저자들은 뇌 피질을 삼각형 메쉬(M)로 표현하고, 코탄젠트 가중치를 이용해 라플라스‑벨트라미 연산자(LBO)를 이산화한다. LBO의 고유값·고유벡터를 구해 그래프 푸리에 변환 기반의 manifold harmonic transform을 정의하고, 이를 바탕으로 스펙트럴 그래프 웨이브렛 변환(SGWT)을 적용한다. SGWT는 스케일 파라미터 t와 커널 g(x)=2√3π·(1−x²)·exp(−x²/2)·1_{|x|≤1}를 사용해 각 정점 j에 대한 파동함수 ψ_{t,j}=T_t^gδ_j와 스케일 함수 φ_j를 생성한다. 로그‑등간격 스케일 t₁…t_L을 선택해 L개의 파동계수와 하나의 스케일 계수를 결합하면 p=L+1 차원의 로컬 서명 s_L(j)가 얻어진다. 이 로컬 서명은 뇌 표면 전체에 대해 행렬 S∈ℝ^{p×m}을 만든다. 다음으로, 저자들은 Bag‑of‑Features(B oF) 프레임워크를 도입한다. 전체 데이터셋의 로컬 서명을 모아 K‑means 클러스터링으로 사전 학습된 딕셔너리 V∈ℝ^{p×k}를 구축하고, 각 서명을 소프트 어사인먼트 방식으로 k‑차원 코드 u_i에 매핑한다. sum‑pooling을 통해 각 뇌 표면에 대한 히스토그램 h∈ℝ^{k}를 얻고, 좌·우 백·그레이 물질 각각에 대해 구한 네 개의 히스토그램을 연결해 최종 전역 특징 벡터 Z∈ℝ^{4k}를 만든다. 이 과정을 ‘WaveletBrain’이라 명명한다. 실험은 ADNI 데이터베이스에서 719명의 피험자를 선정해 2 876개의 표면(좌·우 백·그레이)으로 구성하였다. 성능 평가는 (i) AD, 정상(NC), 경도인지장애(MCI) 3가지 그룹의 이진 분류, (ii) 성별 분류, (iii) 연령 예측이다. 분류에는 선형 SVM을, 연령 예측에는 PLS 회귀를 사용했으며, 10‑fold 교차검증과 동일 클래스 샘플링을 적용했다. 분류 결과, WaveletBrain은 ShapeDNA 대비 AD/NC, NC/MCI, AD/MCI 각각 68.75%→57.97%, 58.52%→54.49%, 57.97%→56.00%의 정확도 향상을 보였으며, p‑값은 0.0022, 0.0001, 0.0024로 통계적으로 유의했다. 시각화된 그룹 차이 지도는 해마 영역의 변화를 강조한다. 성별 분류에서는 WaveletBrain이 81.67%±4.30%의 정확도로 ShapeDNA의 76.67%±4.70%를 능가했고(p=0.0001). 연령 예측에서는 Pearson 상관계수가 0.58( WaveletBrain) 대 0.48( ShapeDNA)이며, 평균 절대 오차(MAE)는 각각 4.31년, 4.59년으로 개선되었다. 이러한 결과는 SGWT가 전역·국부 형태 정보를 동시에 포착하고, BoF 기반 히스토그램이 고차원 로컬 서명을 압축하면서도 분류·회귀 성능을 유지한다는 점을 입증한다. 또한, WaveletBrain은 4 k 차원의 경량 벡터만으로 대규모 데이터셋을 효율적으로 처리할 수 있다. 한계점으로는 딕셔너리 크기 k와 스케일 레벨 L 선택이 성능에 미치는 영향을 정량적으로 분석하지 않았으며, 다른 뇌 구조(예: 해마)와의 직접 비교가 부족하다. 또한, 파라미터 최적화와 실시간 적용을 위한 계산 효율성 검증이 필요하다. 향후 연구에서는 자동 파라미터 튜닝, 다중 모달 영상(예: PET, fMRI)과의 융합, 그리고 임상 현장에서의 실시간 진단 시스템 구축을 목표로 할 수 있다.