마이크로테슬라 MRI와 MEG를 결합한 인간 뇌 영상

초록

기능성 뇌 영상에서 보완적인 모달리티인 MEG와 fMRI를 통합하는 것이 큰 과제로 남아 있다. 뉴런 전류의 자기장을 직접 측정하는 초전도 양자 간섭 장치(SQUID)를 이용한 MEG는 기존 고자기장 MRI와 동일 장비에서 동시에 사용할 수 없으며, MEG와 MRI 데이터를 간접적으로 정합할 경우 상당한 코레지스트레이션 오류가 발생한다. 최근 제안된 SQUID 기반 마이크로테슬라 MRI는 동일 시스템 내에서 MEG와 자연스럽게 결합될 수 있어, MEG가 위치시킨 기능적 소스에 대한 구조적 지도를 직접 제공한다. 마이크로테슬라 MRI 영상은 고자기장 MRI 및 기타 기법이 제공하는 구조 영상과 정밀하게 매칭될 수 있어 MEG와 MRI/fMRI의 통합을 용이하고 정확하게 만든다. 본 연구에서는 46 µT 측정장과 30 mT 사전편극을 이용해 인간 뇌의 최초 마이크로테슬라 MRI 영상을 획득하고, 동일 7채널 SQUID 시스템으로 같은 세션에서 청각 자극에 대한 MEG 기능 데이터를 동시에 기록하였다. 또한 마이크로테슬라 장에서 다양한 조직의 횡방향 이완 시간(T2*)을 추정하였다. 결과는 인간 뇌의 마이크로테슬라 MRI가 실현 가능함을 보여주며, 저비용의 마이크로테슬라 구조 MRI 시스템과 MEG와 결합된 고급 기능·구조 복합 영상 장비의 실용성을 시사한다.

상세 요약

이 논문은 기존 고자기장 MRI와 MEG를 물리적으로 결합할 수 없다는 근본적인 제약을 극복하기 위해, 초전도 양자 간섭 장치(SQUID)를 이용한 마이크로테슬라 수준의 저자기장 MRI를 제안하고 실증하였다. 저자기장 MRI는 10⁻⁶ T 수준의 측정장(본 연구에서는 46 µT)에서 작동하며, 사전편극(pre‑polarization)으로 30 mT 정도의 강한 자기장을 순간적으로 가해 핵스핀을 정렬한다. 이 방식은 전통적인 고자기장 MRI와 달리 강한 주자기장 없이도 충분한 신호 대 잡음비(SNR)를 확보할 수 있게 하며, SQUID 센서가 동시에 MEG와 MRI 신호를 감지하도록 설계되었다는 점이 핵심이다.

실험적으로 저자들은 7채널 SQUID 어레이를 사용해 인간 피험자의 뇌를 스캔했으며, 동일 세션에서 청각 자극에 대한 MEG 데이터를 수집했다. 이는 두 모달리티가 시간적으로 정확히 일치하는 데이터를 제공함으로써, 기존에 흔히 발생하던 코레지스트레이션 오류(수십 밀리미터 수준)를 근본적으로 제거한다. 또한, 마이크로테슬라 장에서 획득한 T₂* 값을 조직별로 추정함으로써, 저자기장 환경에서도 조직 특이적인 이완 특성을 파악할 수 있음을 보여준다.

이 연구의 의의는 세 가지로 요약할 수 있다. 첫째, 인간 뇌를 대상으로 한 최초의 마이크로테슬라 MRI 영상을 성공적으로 구현함으로써, 저자기장 MRI가 실용적인 해부학적 영상 도구가 될 수 있음을 입증했다. 둘째, 동일 SQUID 시스템 내에서 MEG와 MRI를 동시 측정함으로써, 기능적(MEG)과 구조적(MRI) 데이터를 물리적으로 동일 좌표계에 매핑할 수 있는 새로운 패러다임을 제시했다. 셋째, 저자기장 MRI는 고가의 초고자기장 장비가 필요 없으므로, 장비 비용과 유지보수 비용을 크게 절감할 수 있다. 이는 저소득 국가나 이동형 뇌 영상 시스템 개발에 큰 잠재력을 제공한다.

하지만 몇 가지 한계점도 존재한다. 현재 46 µT의 측정장은 고해상도 구조 영상을 얻기에 아직 충분히 높은 SNR을 제공하지 못한다. 영상 획득 시간도 전통적 MRI에 비해 길어야 하며, 사전편극을 위한 별도 코일이 필요해 시스템 복잡성이 증가한다. 또한, SQUID 센서는 극저온(≈4 K) 환경이 요구되므로, 실용적인 임상 현장 적용을 위해서는 냉각 시스템의 소형화와 안정성이 필수적이다.

향후 연구에서는 측정장 강도를 최적화하고, 다채널 SQUID 어레이를 확대해 공간 해상도를 높이는 것이 과제로 남는다. 동시에, 저자기장 MRI와 고자기장 MRI를 정밀하게 정합하는 알고리즘을 개발하면, 저비용 구조 영상과 고해상도 고자기장 영상의 장점을 동시에 활용할 수 있다. 궁극적으로는 MEG‑MRI‑fMRI를 하나의 플랫폼에서 통합해, 뇌 기능과 구조를 실시간으로 연결하는 ‘전뇌 지도’를 구현하는 것이 목표가 될 것이다.