섬유 ODF 재구성을 위한 최적 희소 정규화: l2와 l1에서 l0로

초록

본 논문은 확산 MRI에서 섬유 방향 분포(FOD)를 복원할 때 기존의 l2 기반 Tikhonov 정규화와 l1 기반 압축 센싱이 갖는 한계점을 지적한다. 특히 l1 정규화가 섬유 비중의 합이 1이라는 물리적 제약과 모순된다는 점을 강조한다. 이를 해결하기 위해 FOD의 l0 노름(비제로 계수 개수)에 대한 명시적 상한을 설정하는 제약형 최적화 문제를 제안한다. 합성 및 실제 데이터 실험을 통해 l0 기반 방법이 l2·l1 방식보다 모델링 오류를 크게 감소시킴을 보인다.

상세 요약

이 연구는 확산 MRI에서 획득된 제한된 샘플을 이용해 뇌 백질 내 복수 섬유의 방향성을 추정하는 핵심 문제인 섬유 방향 분포(FOD) 복원에 초점을 맞춘다. 기존의 Constrained Spherical Deconvolution(CSD)은 Tikhonov 정규화, 즉 l2‑노름을 사용해 해를 안정화한다. l2‑노름은 해를 부드럽게 만들지만, 실제 뇌 조직은 몇 개의 주요 섬유만 존재한다는 희소성 가정을 충분히 반영하지 못한다. 최근 압축 센싱(CS) 패러다임이 도입되면서 l1‑노름 최소화가 희소성을 촉진하는 대안으로 떠올랐지만, 저자들은 l1‑정규화가 “모든 섬유 비중의 합은 1”이라는 물리적 제약과 내재적으로 충돌한다는 점을 지적한다. l1‑노름은 비제로 계수의 절대값 합을 최소화하므로, 비제로 계수의 개수 자체를 직접 제어하지 못한다. 결과적으로, 비제로 계수의 총합이 1이 되도록 스케일링을 해야 하는데, 이 과정에서 실제 섬유 수에 대한 정확한 추정이 왜곡된다.

이에 대한 해결책으로 저자들은 l0‑노름, 즉 비제로 계수의 개수 자체에 대한 명시적 제한을 도입한다. 구체적으로, 데이터 적합도(ℓ2 데이터 항)와 l0‑제약을 동시에 만족하도록 최적화 문제를 구성한다. 이때 l0‑제약은 “FOD에 포함될 최대 섬유 수 ≤ K” 형태로 구현되며, K는 사전에 정해진 혹은 자동으로 추정되는 정수이다. 문제는 본질적으로 NP‑hard하지만, 저자들은 근사 알고리즘(예: 반복적인 임계값 적용과 비선형 최소제곱)으로 실용적인 해결책을 제시한다.

실험에서는 합성 데이터에서 다양한 섬유 교차 각도와 SNR을 변형시켜 l0, l1, l2 방식의 재구성 정확도를 비교한다. 결과는 l0‑제약이 특히 섬유 수가 적고 교차 각도가 작을 때 모델링 오류를 현저히 낮추는 것을 보여준다. 실제 인간 뇌 데이터에서도 l0 기반 방법이 잡음에 강하고, 불필요한 가짜 섬유가 생성되는 현상을 억제한다. 따라서 l0‑정규화는 기존 l2·l1 접근법이 갖는 불일치와 과도한 희소성 부여 문제를 동시에 해결하며, 임상적 적용을 위한 스캔 시간 단축에도 기여할 수 있다.