연속적 피질 연결성 모델

본 논문은 뇌 피질 연결성을 연속적인 확률 모델로 기술한다. 저자들은 각 반구의 백색질 경계를 구면으로 변환하고, 두 점의 쌍을 연결공간 Ω×Ω 로 정의한다. 트랙스트림의 두 끝점은 이 공간에서 독립적인 사건으로 간주되며, 사건 발생은 비균질 포아송 과정으로 모델링된다. 핵심 파라미터인 강도 함수 λ(x,y)는 두 점 사이의 연결 확률 밀도를 나타내며, 영역 E₁, E₂ 사이의 기대 트랙 수는 λ의 적분으로 표현된다. λ를 추정하기 위해 구면 열 커널을 기반으로 한 커널 밀도 추정(KDE)을 사용한다. 구면 열 커널은 구면 조화함수와 Legendre 다항식의 급수 전개 형태로, 파라미터 σ(밴드위스)만을 조정하면 된다. 두 점 쌍에 대한 커널은 K_σ(x,p)·K_σ(y,q) 로 정의되며, 이는 Legendre 다항식의 외적 형태이므로 사전 계산된 곱을 저장해 두면 σ 변화에 따라 빠르게 재계산할 수 있다. 이 메모이제이션 전략은 대규모 트랙 데이터셋에서도 실시간에 가까운 파라미터 추정을 가능하게 한다. 밴드위스 σ는 leave‑one‑out 교차검증 기반의 통합 제곱 오차(ISE) 혹은 로그‑밀도 손실을 최소화하도록 선택한다. 추정된 λ̂를 이용해 임의의 파셀레이션 P에 대해 영역 간 연결 강도 Ĉ(E_i,E_j)=∬_{E_i×E_j}λ̂ dxdy 를 계산하고, 이를 그래프 가중치로 변환한다. 파셀레이션의 품질 평가는 (1) λ̂와 파셀레이션 기반 근사 g(x,y) 사이의 ISE, (2) 파셀레이션에 대한 포아송 로그우도, (3) AIC(우도와 파라미터 수의 균형) 로 수행된다. 실험에서는 CoRR 데이터셋의 29명을 대상으로 두 번의 스캔을 수행하고, 세 가지 전통적인 파셀레이션(Destrieux, Desikan‑Killiany, Desikan‑Killiany‑Tourville)과 두 가지 연결 추정 방식(전통적인 섬유 수 카운트와 제안된 연속 λ̂)을 비교했다. 결과는 연속 모델이 특히 threshold 적용 후에 ICC가 0.56~0.65 로, 전통적인 카운트 방식(0.17~0.23)보다 크게 우수함을 보여준다. 또한 파셀레이션 선택에 있어 ISE는 Destrieux를, 로그우도와 AIC는 DK 파셀레이션을 가장 적합한 것으로 지목하였다. 이러한 결과는 연속 모델이 트랙 끝점의 위치 불확실성을 부드럽게 반영하고, 경계 근처의 노이즈를 완화함으로써 그래프 구조의 안정성을 높인다는 점을 시사한다. 저자들은 향후 FA‑가중 섬유 수 카운팅, 다양한 트랙킹 알고리즘, 대규모 데이터셋을 통한 검증 등을 통해 모델을 확장할 계획이다.