다중쉘 확산 MRI를 위한 일반화 리처드슨 루시 (GRL) 프레임워크

초록

본 논문은 기존 단일쉘용 감쇠 리처드슨-루시(dRL) 알고리즘을 확장하여, 다중쉘 확산 MRI 데이터와 사용자 정의 조직 모델을 결합한 일반화 리처드슨-루시(GRL) 방법을 제안한다. 시뮬레이션과 HCP 고해상도 데이터, 임상 3T 데이터, 그리고 IVIM 효과를 포함한 세 번째 데이터셋을 통해 GRL이 신호‑분획 지도와 섬유 방향 분포(FOD)의 정확성을 향상시키고, 부분체적 효과와 잡음에 대한 강인성을 보임을 입증한다.

상세 분석

GRL은 dRL의 기본적인 기대‑최대화(E‑M) 구조를 유지하면서, 다중쉘 데이터를 동시에 활용하도록 설계되었다. 핵심 아이디어는 각 쉘에 대해 서로 다른 조직 모델(예: 백색질, 회색질, CSF, 혈류 등)을 정의하고, 이들 모델의 신호 기여도를 가중합 형태로 표현하는 것이다. 이를 위해 저자들은 다중쉘 신호 S(b, g) = ∑ₖ fₖ · Mₖ(b, g) · FOD(g) 라는 선형 혼합 모델을 도입했으며, 여기서 fₖ는 조직별 분획, Mₖ는 해당 조직의 방사형 응답 함수, g는 방향을 의미한다. 기존 dRL은 단일 조직 모델(주로 백색질)만을 고려했으나, GRL은 다중 모델을 동시에 추정함으로써 부분체적 혼합을 명시적으로 분리한다.

알고리즘 구현 단계는 크게 세 부분으로 나뉜다. 첫째, 각 조직 모델에 대한 초기 응답 함수를 사전 정의하거나 데이터 기반으로 추정한다. 둘째, 다중쉘 데이터에 대한 기대‑최대화 반복을 수행한다. E‑step에서는 현재 추정된 fₖ와 FOD를 이용해 각 측정값의 기대값을 계산하고, M‑step에서는 이 기대값을 기반으로 fₖ와 FOD를 업데이트한다. 업데이트 식은 dRL의 감쇠 형태를 유지하면서, 각 쉘의 신호대비 가중치를 자동으로 조정하는 ‘optimal weighting’ 매개변수를 포함한다. 셋째, 수렴 조건을 만족할 때까지 반복한다.

시뮬레이션에서는 SNR ≥ 20인 경우 GRL이 조직 분획을 5 % 이하의 오차로 복원하고, FOD의 각도 오차를 2° 미만으로 감소시켰다. 특히, 백색질‑회색질 경계에서 발생하는 가짜 피크를 크게 억제했으며, 잡음에 대한 민감도도 dRL 대비 30 % 이상 개선되었다. 실제 HCP 데이터에 적용했을 때는 백색질-회색질 경계에서 FOD가 더 날카롭게 나타나고, 종단점이 회색질 표면에 정확히 맞닿는 모습을 확인했다. 임상 3T 데이터에서도 동일한 경향이 재현되었으며, 조직 분획 지도는 해부학적으로 타당한 패턴(예: CSF는 뇌실, 혈류는 대정맥)으로 나타났다.

IVIM 효과를 포함한 실험에서는 혈류에 해당하는 pseudo‑diffusion 분획이 내측 측두엽과 시상정맥에서 현저히 높게 추정되었다. 이는 기존 dRL이 무시하던 미세혈류 신호를 GRL이 효과적으로 분리함을 의미한다. 또한, 혈류 모델을 추가함으로써 백색질 FOD가 과도하게 부풀어 오르는 현상이 감소하고, 전반적인 트랙토그래피 품질이 향상되었다.

알고리즘의 장점은 모듈식 설계에 있다. 사용자는 조직 모델을 자유롭게 정의하고, 필요에 따라 새로운 물리적 현상(예: 마이크로스트럭처 모델, 다중컴파트먼트 확산)도 손쉽게 통합할 수 있다. 다만, 모델 수가 늘어날수록 파라미터 공간이 커져 계산 비용이 증가하고, 초기 응답 함수의 정확도가 전체 추정에 큰 영향을 미친다는 한계도 존재한다. 향후 연구에서는 자동 모델 선택 및 베이지안 정규화를 도입해 이러한 문제를 완화할 수 있을 것으로 기대된다.