베이지안 P‑스플라인을 활용한 동적 대비 강화 MRI 정량 분석 반파라메트릭 기법

본 논문은 동적 대비 강화 자기공명영상(DCE‑MRI)에서 조직의 약동학 파라미터를 정량적으로 추정하는 기존 방법이 갖는 비선형 최적화의 불안정성과 초기값 의존성 문제를 해결하고자, 베이지안 P‑스플라인(Bayesian Penalized Splines) 기반의 반파라메트릭 기법을 제안한다. 먼저, 동맥 입력 함수(AIF)는 기존 연구에서 널리 사용되는 이중 지수식(Cp(t)=D∑_{i=1}^{2} a_i e^{-m_i t}) 로 정의한다. 이 AIF와 조직 반응 함수 f(t)의 컨볼루션이 관측된 조영제 농도 C_t(t)와 동일하다는 가정 하에, 이산화된 형태(C_t(τ_i)=∑_{j=1}^{T} A_{ij} f(t_j)Δt) 로 전개한다. 여기서 A는 AIF에 기반한 컨볼루션 연산자를 나타내는 행렬이다. f(t)를 B‑스플라인 기반의 선형 결합 f(t)=∑_{j=1}^{p} β_j B_j(t) 로 표현하고, 이를 행렬 형태로 f = Bβ 로 나타낸다. 따라서 C_t = A f = A B β = D β 로, D는 A와 B의 곱으로 구성된 설계 행렬이 된다. 직접적인 역문제는 노이즈에 취약하므로, β에 대한 2차 차분 페널티(β_t - 2β_{t-1} + β_{t-2}) 를 도입해 부드러움을 강제한다. 베이지안 계층 모델에서는 관측 노이즈를 Gaussian(σ²) 로 가정하고, σ² 를 역감마 사전분포 IG(1,10^{-5}) 로 설정한다. β에 대한 차분 페널티는 β_t ∼ N(2β_{t-1} - β_{t-2}, δ²_t) 로 두고, δ²_t 역시 IG(10^{-5},10^{-5}) 로 사전분포를 부여해 지역별 스무딩 강도를 자동으로 학습한다. 사후분포 p(β,δ²,σ²|C_t) 는 직접 계산이 불가능하므로, Gibbs 샘플링을 이용해 β, δ², σ² 를 순차적으로 업데이트한다. β 의 조건부 분포는 다변량 정규분포 N_p( (DᵀD+R)^{-1} DᵀC_t , σ² (DᵀD+R)^{-1}) 로, 여기서 R 은 차분 페널티의 역공분산 행렬이다. δ²_t 와 σ² 의 조건부 분포는 각각 역감마 형태를 갖는다. 충분한 burn‑in 후 수천 개의 샘플을 확보하면, β̂ 로부터 복원된 응답 함수 f̂(t)=Bβ̂ 를 얻을 수 있다. 복원된 f̂(t) 를 이용해 두 가지 추가 정보를 추출한다. 첫째, 조영제 유입 시점(t₀)을 추정한다. 99 % 신뢰구간이 0을 벗어나는 최초 시점 t* 를 찾고, 해당 시점에서의 기울기 dC_t/dt 를 계산한다. t₀ = t* - C_t(t*) / (dC_t/dt) 로 정의한다. 이는 기존에 전역적인 지연 파라미터를 가정하던 방식보다 더 정밀한 지역별 지연 추정이 가능하게 한다. 둘째, 약동학 파라미터(K^trans, k_ep, v_p 등)를 얻는다. f̂(t) 에 물리적 의미를 부여하는 비선형 모델 f(t)=F_p·g(t) (식 20, AA‑TH 형태)를 각 MCMC 샘플에 대해 피팅하고, 파라미터의 사후 중앙값과 신뢰구간을 산출한다. 이 과정에서 K^trans = E·F_p 와 같은 식을 통해 식별 가능한 파라미터만을 추정한다. 성능 검증은 두 단계로 이루어졌다. 첫 번째 시뮬레이션에서는 알려진 파라미터를 가진 CTC를 생성하고, 제안된 베이지안 P‑스플라인 방법과 전통적인 비선형 최소제곱(Levenberg‑Marquardt) 방법을 비교했다. 베이지안 방법은 파라미터 편향을 크게 감소시켰으며, 특히 초기 유입 지연(lag) 30 s까지 존재하는 경우에도 t₀ 와 K^trans 추정이 정확했다. 두 번째 시뮬레이션에서는 다양한 F_p, v_p, P_S 변화를 포함한 12개의 실험을 수행했으며, 모든 경우에서 제안 기법이 안정적인 추정치를 제공했다. 임상 데이터는 유방암 환자 12명(전·후 화학요법 스캔, 총 24회)에서 얻은 DCE‑MRI 시퀀스를 사용했다. 각 스캔은 1.5 T MRI에서 40프레임(약 8분)으로 획득되었으며, 종양 ROI 를 전문가가 정의하였다. 베이지안 P‑스플라인을 적용한 결과, 종양 전체에 걸쳐 일관된 t₀ 와 K^trans 값이 도출되었으며, 치료 전후 비교에서도 파라미터 변화가 신뢰성 있게 포착되었다. 본 연구의 주요 기여는 다음과 같다. (1) 비선형 약동학 모델의 직접 최적화를 회피하고, 베이지안 P‑스플라인을 통해 안정적인 디컨볼루션을 수행한다. (2) 지역별 스무딩 파라미터를 자동으로 추정함으로써 급격한 초기 상승과 이후 완만한 감소를 동시에 보존한다. (3) 사후분포를 활용해 파라미터 불확실성을 정량화하고, 유입 시점(t₀)과 전통적 약동학 파라미터를 동시에 제공한다. (4) 시뮬레이션 및 실제 임상 데이터에서 기존 방법 대비 높은 정확도와 재현성을 입증하였다. 다만, MCMC 기반 추정이 계산 비용을 증가시키므로, 대용량 3D 데이터에 적용하기 위한 효율적인 샘플링 기법이 향후 연구 과제로 남는다.