다중 b 값 확장성을 위한 딥 SHORE 기반 확산 모델

초록

본 논문은 기존 단일 쉘 기반 딥러닝 확산 모델의 한계를 극복하고, 다중 b-값·다중 쉘 데이터를 일반화할 수 있도록 SHORE 기반의 새로운 표현 방식을 제안한다. Deep SHORE는 SHORE 계수를 이용해 관측된 DW‑MRI 신호와 섬유 방향 분포(FOD)를 동일한 매니폴드에 매핑하고, 최적화된 하이퍼파라미터로 학습한다. 전임상 MRI‑히스토리 데이터와 인체 3T 스캐너에서 검증했으며, 각도 상관계수(ACC)에서 기존 방법들을 크게 능가한다.

상세 분석

본 연구는 확산 가중 MRI(DW‑MRI) 데이터의 다중 b‑값·다중 쉘 상황에서 데이터‑드리븐 모델의 일반화 문제를 근본적으로 해결하고자 한다. 기존 딥러닝 기반 확산 모델은 주로 단일 쉘 데이터를 spherical harmonic(SH) 변환 형태로 입력받아 학습했으며, b‑값 간의 물리적 연관성을 모델링하기 위해 사전 정의된 모델(예: NODDI, DTI)과 결합하거나, 다중 쉘을 단순히 채널로 취급하는 제한적인 접근에 머물렀다. 이러한 접근은 (1) b‑값 스케일링에 민감하고, (2) 쉘 수와 방향 수가 변할 때 재학습이 필요하다는 실용적 제약을 초래한다.

논문은 이러한 한계를 극복하기 위해 최근 제안된 Simple Harmonic Oscillator based Reconstruction (SHORE) 기반을 채택한다. SHORE는 확산 신호를 3차원 라디얼·각도 기반의 정규 직교 함수 집합으로 전개함으로써, b‑값과 q‑space 방향을 동시에 매개변수화한다. 핵심 아이디어는 (i) 관측된 DW‑MRI 신호를 SHORE 계수 벡터로 변환하고, (ii) 섬유 방향 분포(FOD)를 동일한 SHORE 기저함수로 표현함으로써, 신호와 구조적 타깃이 동일한 매니폴드 상에 존재하도록 하는 것이다. 이 과정에서 기존 SH 기반 FOD와 달리, SHORE 기반 FOD는 b‑값에 대한 연속적인 스케일링을 자연스럽게 포함한다.

학습 단계에서는 “Deep SHORE”라는 이름의 3‑D 컨볼루션 신경망을 설계했으며, 입력은 SHORE 계수 텐서, 출력은 SHORE 기반 FOD 계수이다. 하이퍼파라미터 최적화는 전임상 마우스 뇌 데이터(4개의 b‑값, 다양한 방향 수)와 히스토리 이미지(2‑D·3‑D) 간의 상관관계를 최대화하도록 설계된 손실 함수로 수행된다. 특히, 다중 쉘 데이터를 하나의 연속적인 SHORE 매니폴드에 매핑함으로써, 모델은 b‑값이 변해도 동일한 파라미터 공간에서 학습·추론이 가능하다.

평가에서는 (1) 전임상 데이터에 대해 8‑fold 교차검증을 수행해 ACC(Angular Correlation Coefficient)를 측정했으며, 단일 쉘에서 0.78(Deep SHORE) vs. 0.73(기존 SH 기반)·0.73(기타 딥러닝), 다중 쉘에서는 0.80 vs. 0.74(p < 0.001)로 통계적으로 유의미한 개선을 보였다. (2) 인간 피험자를 대상으로 두 대의 3 T 스캐너에서 동일한 프로토콜을 적용했을 때, Deep SHORE는 스캐너 간 ACC 차이가 0.63으로 가장 낮았으며, 기존 다중 쉘 방법(0.39, 0.52, 0.57)보다 일관성을 크게 향상시켰다.

이러한 결과는 SHORE 기반 매니폴드가 b‑값·쉘 수·방향 수의 변동성을 내재적으로 흡수함을 의미한다. 따라서 Deep SHORE는 (a) 다양한 임상·전임상 프로토콜에 대한 재학습 없이 바로 적용 가능하고, (b) 데이터‑드리븐 방식으로 섬유 구조를 정밀하게 복원함으로써, 히스토리와의 직접적인 정량적 비교를 가능하게 한다. 향후 연구에서는 더 높은 차원의 SHORE 파라미터(예: 6차, 8차)와 대규모 인체 데이터셋을 활용해 일반화 성능을 검증하고, 임상적 바이오마커 추출 파이프라인에 통합하는 방안을 모색할 수 있다.