강인한 행렬 분해를 이용한 심장 관류 데이터의 모션 보정

초록

본 논문은 언더샘플링된 심장 관류 MR 데이터에서 호흡에 의한 움직임을 효과적으로 제거하기 위해, 강인한 주성분 분석(RPCA) 기반 재구성과 주기적 분해를 결합한 새로운 모션 보정 기법을 제안한다. 저‑랭크 성분은 대비 변화와 같은 정적인 정보를, 희소 성분은 호흡에 따른 주기적 움직임을 나타내며, 이를 별도로 처리한 뒤 정밀한 레지스트레이션을 수행한다. 시뮬레이션 및 임상 데이터를 통해 기존 방법 대비 시간‑강도 곡선의 일관성이 크게 향상됨을 확인하였다.

상세 분석

이 연구는 심장 관류 MRI에서 흔히 발생하는 두 가지 핵심 문제—언더샘플링에 따른 알리아싱과 급격한 대비 변화—를 동시에 해결하려는 시도로서, 기존의 압축 센싱 재구성 및 이미지 레지스트레이션 기법이 각각의 한계에 부딪히는 점을 정확히 지적한다. 저자들은 데이터 행렬을 (X = L + S) 형태로 분해하는 강인한 주성분 분석(Robust PCA, RPCA)을 적용한다. 여기서 (L)은 저‑랭크 행렬로, 시간에 따라 서서히 변하는 대비(contrast)와 같은 전역적인 신호를 포착하고, (S)는 희소 행렬로 호흡에 의해 발생하는 주기적인 움직임을 모델링한다. RPCA는 일반적인 PCA가 잡음이나 이상치에 민감한 점을 보완해, 움직임에 해당하는 급격한 변화를 효과적으로 분리한다는 장점이 있다.

특히 저자들은 호흡 움직임이 주기성을 가진다는 물리적 특성을 활용해, (S)를 추가적인 주기적 분해(Periodic Decomposition) 단계에 넘긴다. 이는 푸리에 기반 혹은 사인‑코사인 사전(dictionary)와 같은 주기적 기저를 이용해, 호흡 주기에 맞는 성분만을 강조하고 비주기적 잡음은 억제한다. 결과적으로 얻어진 움직임 성분은 시간 축에 따라 부드러운 변화를 보이며, 이는 기존의 변형 필드(registration field)를 추정하는 데 이상적인 입력이 된다.

레지스트레이션 단계에서는 추출된 움직임 성분에 대해 비강직(non‑rigid) 변형 모델을 적용해, 각 프레임을 기준 프레임(보통 첫 번째 또는 평균 프레임)으로 정렬한다. 이후 원래의 저‑랭크 대비 성분 (L)에 정렬 변환을 역으로 적용함으로써, 움직임이 보정된 고품질 관류 시계열을 재구성한다. 이 과정은 압축 센싱(CS) 재구성과 병행하거나, CS 재구성 후에 수행될 수 있어, 구현 유연성을 제공한다.

성능 평가는 두 가지 축으로 진행되었다. 첫째, 시뮬레이션 데이터에서 알려진 움직임 파라미터와 재구성된 변형 필드 간의 정량적 차이를 RMSE와 SSIM으로 측정했다. 둘째, 임상 데이터에서는 수동으로 추출한 심근 구역별 시간‑강도 곡선(TIC)을 기준으로, 자동 레지스트레이션 전후의 곡선 일치도를 Pearson correlation과 Bland‑Altman 분석으로 검증했다. 결과는 기존의 단순 이미지 기반 레지스트레이션이나, CS‑only 재구성 대비, TIC의 상관계수가 평균 0.12~0.18 상승하고, 시각적 알리아싱 및 블러 현상이 현저히 감소함을 보여준다.

이 논문은 RPCA와 주기적 분해를 결합함으로써, 급격한 대비 변화와 주기적 움직임을 동시에 분리·보정하는 새로운 패러다임을 제시한다. 특히, 저‑랭크/희소 분해가 사전 레지스트레이션 단계에서 움직임을 명시적으로 추출하므로, 기존 레지스트레이션 알고리즘이 겪는 수렴 문제와 지역 최소 현상을 크게 완화한다는 점이 큰 강점이다. 다만, RPCA의 최적화 비용이 상대적으로 높아 실시간 적용에는 추가적인 알고리즘 가속(예: ADMM 가속, GPU 구현)이 필요하며, 비주기적 움직임(심장 자체의 수축·이완)과 호흡 움직임을 완전히 구분하는 데는 여전히 한계가 존재한다. 향후 연구에서는 다중 스케일 RPCA와 딥러닝 기반 사전 학습을 결합해, 복합적인 움직임 모델링과 빠른 계산을 동시에 달성할 수 있을 것으로 기대된다.