뇌 영상 분석에 그래프 신호 처리 적용

본 논문은 현대 신경영상 기술이 제공하는 구조적·기능적 데이터를 그래프 이론과 그래프 신호 처리(GSP) 프레임워크를 통해 통합적으로 분석하는 방법을 제시한다. 먼저, 확산 MRI와 같은 구조적 영상으로부터 뇌의 백색질 섬유 경로를 추출해 82개의 영역(Desikan‑Killiany + Harvard‑Oxford)으로 구성된 가중 인접행렬 A 를 만든다. 이때 각 원소 Aᵢⱼ 은 두 영역 사이의 스트림라인 수로 정의되어, 장기적인 해부학적 연결성을 반영한다. 다음으로, 기능적 MRI(fMRI)에서 얻은 BOLD 신호를 시간‑축 T 에 걸쳐 행렬 X ∈ ℝⁿˣᵀ 에 정리하고, 각 열을 그래프 신호 x(t) 으로 간주한다. 핵심 이론은 그래프 시프트 연산자 S (인접행렬 A 또는 라플라시안 L) 를 대각화하여 고유값 λₖ와 고유벡터 vₖ를 얻는 것이다. 고유벡터 집합 V 는 그래프 푸리에 변환(GFT)의 기저가 되며, 신호 x 을 \tilde{x}=Vᵀx 로 변환하면 그래프 주파수 영역에서의 스펙트럼을 확인할 수 있다. 저주파 성분은 인접 노드 간 차이가 작아 구조적으로 매끄러운 패턴을 나타내고, 고주파 성분은 급격한 변화를 의미한다. 이러한 주파수 구분을 바탕으로 그래프 필터링을 수행한다. 예를 들어, 저주파 필터 h_low(S) 는 구조적 스무딩을 강화해 잡음에 강인한 신호를 추출하고, 고주파 필터 h_high(S) 는 기능적 특이성을 강조한다. 또한, 논문은 그래프 기반의 surrogate 데이터 생성 방법을 제안한다. 원본 신호와 동일한 그래프 스무딩(총 변동) 특성을 유지하면서 무작위화된 신호를 만들기 위해, 고유모드에 무작위 위상을 부여하거나 고주파 성분을 재배열한다. 이를 통해 통계적 검증 시 구조적 제약을 보존한 귀무분포를 구축할 수 있다. 지역적 분해에서는 인지 시스템별(전두‑두정, 청각계, 기본‑시각계 등) 노드 집합을 정의하고, 해당 서브그래프의 라플라시안을 별도로 고유분해한다. 이렇게 얻은 서브그래프 고유모드만을 사용해 신호를 재구성하면, 특정 시스템이 수행하는 기능적 역할을 정량화할 수 있다. 실험에서는 주의 전환 과제(attention switching task)를 수행한 피험자 데이터를 이용해 GSP 도구의 효용을 검증한다. 저주파·고주파 혼합 영역에서 발생하는 ‘구조‑기능 전이(excursion)’를 검출하고, 이 전이의 강도와 빈도가 개인별 인지 성능(반응 시간, 정확도)과 유의하게 상관함을 보였다. 특히, 전두‑두정 시스템의 저주파 성분이 강할수록 작업 전환 효율이 높았으며, 청각계 고주파 성분은 잡음에 민감한 상황에서의 오류율과 연관되었다. 논문은 또한 GSP를 시간‑주파수 영역과 결합하는 가능성을 논의한다. 그래프 필터링 후 얻은 신호에 전통적인 푸리에 변환을 적용하면, 구조‑기능 상호작용을 시간적·주파수적 관점에서 동시에 분석할 수 있다. 마지막으로, GSP 기반의 딕셔너리 학습과 샘플링 이론을 활용해 뇌 신호의 효율적 압축 및 복원을 제안하며, 향후 임상 적용(예: 신경퇴행성 질환 조기 진단)과 실시간 뇌‑컴퓨터 인터페이스에의 확장 가능성을 제시한다. 요약하면, 이 연구는 구조적 연결망을 그래프 기반으로 모델링하고, 그 위에 놓인 기능적 신호를 GFT·그래프 필터링·서브그래프 분해 등 다양한 GSP 도구로 분석함으로써, 기존의 구조‑기능 분리 접근법을 넘어 통합적인 뇌 데이터 해석 프레임워크를 제공한다.