휴식 상태 fMRI를 이용한 인간 뇌 계층적 기능 연결성 추출

**1. 서론 및 배경** 뇌는 수백 개의 기능적 영역이 복잡한 네트워크를 이루며, 최근 연구들은 이러한 네트워크가 단일 스케일이 아니라 다중 스케일의 계층적 구조를 가진다고 제시한다. 기존 ICA, 딕셔너리 학습, 그래프 기반 커뮤니티 탐지 등은 주로 고정된 수의 컴포넌트를 추출하거나, 하향식(merge) 방식으로만 계층을 형성한다. 그러나 뇌 영역은 여러 네트워크에 겹쳐 참여할 수 있으며, 양·음 상관 관계가 동시에 존재한다는 점에서 기존 방법은 제한적이다. **2. 관련 연구** 비음수 행렬 분해(NMF)와 그 변형은 저차원 표현을 제공하지만, 양·음 상관을 모두 다루지 못한다. 최근 Deep Semi‑Non‑Negative Matrix Factorization은 겹치는 커뮤니티를 탐지했지만, 비음수 제약으로 인해 음의 연결을 무시한다. 또한, 기존 계층적 커뮤니티 탐지(EA‑GLE, OSLOM 등)는 독립적인 커뮤니티를 전제로 하며, 희소성 제어가 부족하다. **3. 방법론: 계층적 희소 연결 패턴(hSCP)** - **데이터 모델**: 피험자 i의 fMRI 시계열 X_i (P × T) 로부터 상관 행렬 Θ_i∈ℝ^{P×P} 를 계산한다. - **계층적 분해**: Θ_i 를 K 레벨의 연쇄 행렬 곱 형태로 근사한다. Θ_i ≈ W₁W₂…W_K Λ_iK W_Kᵀ…W₂ᵀW₁ᵀ 여기서 W₁은 P × k₁ (가장 미세한 레벨)이며, 이후 W_q (q>1)는 k_{q‑1} × k_q 로 구성된다. Λ_i r 은 대각 행렬로 피험자별 가중치를 저장한다. - **희소성 제약**: 각 W_q 열에 L₁(절대값 합) ≤ λ_q 와 L_∞(최대 절대값) ≤ 1 을 적용한다. 이는 컴포넌트가 소수의 영역만을 포함하도록 강제한다. - **비볼록 최적화**: 목적함수 H(W,Λ)=∑_i∑_r‖Θ_i−(∏_j W_j)Λ_i r(∏_n W_n)ᵀ‖_F² 를 교대 최소화한다. - **그래디언트**: W와 Λ에 대한 미분식을 도출하고, 각 파라미터에 대해 적응형 스텝 사이즈(AMSGrad, Adam, Nadam) 알고리즘을 적용한다. - **워밍 스타트**: 전체 평균 상관 행렬의 k₁‑rank SVD를 수행해 W₁을 초기화하고, Λ_i1 은 각 Θ_i 의 k₁‑rank SVD에서 얻은 V_i 로 설정한다. 이후 레벨은 순열 행렬과 상위 대각 원소 선택으로 초기화한다. - **알고리즘 흐름**: 초기화 → 반복(각 레벨 W_q 업데이트 → 프로젝션(L₁, L_∞, 비음수) → 각 피험자 Λ_i r 업데이트 → 프로젝션) → 수렴 판단. **4. 계산 복잡도** 그라디언트 계산 비용은 O(K S P² k₁)이며, 전체 반복 횟수에 비례한다. P≫K 가정 하에 메모리와 시간 효율성이 확보된다. **5. 실험** - **데이터**: HCP(100명, 360 영역, 4004시간점)와 PNC(969명, 121 영역, 120시간점). - **수렴 분석**: AMSGrad이 가장 빠른 수렴을 보였으며, SVD 초기화가 무작위 초기화 대비 평균 30% 이상 빠른 수렴을 달성했다. - **시뮬레이션**: 인공적으로 생성한 계층적 커뮤니티 구조에 대해 hSCP는 EA‑GLE, OSLOM보다 높은 재현성(Mean±SD ≈ 0.83±0.06)과 정확도를 기록했다. - **실제 데이터 결과**: - **재현성**: 하위 레벨(k₁=15, k₂=5)에서 서브샘플 간 상관계수 평균 0.84, 단일 스케일 SCP 대비 10~15% 향상. - **해석 가능성**: hSCP는 양·음 상관을 동시에 포함하는 패턴을 식별했으며, 예를 들어 전전두엽과 후두엽 사이의 반대 위상 연결을 하나의 컴포넌트에 포함시켜 기존 방법이 놓친 억제·활성 관계를 드러냈다. - **비교**: EA‑GLE와 OSLOM은 주로 비중첩 커뮤니티를 탐지하거나, 희소성 제어가 부족해 노이즈에 민감했다. hSCP는 희소성 및 겹침을 동시에 만족해 더 깔끔한 시각화와 높은 통계적 일관성을 제공한다. **6. 논의 및 한계** - **하이퍼파라미터 선택**: 레벨 수 K와 각 레벨 차원 k_q 를 사전에 지정해야 하며, 현재는 도메인 지식과 교차 검증에 의존한다. - **비볼록성**: 전역 최적해 보장은 없으며, 초기화에 따라 로컬 최소점에 수렴할 가능성이 있다. 다행히 SVD 기반 초기화가 실험적으로 안정적인 결과를 제공한다. - **확장 가능성**: 현재는 선형 행렬 곱 형태에 국한되지만, 비선형 변환(예: 딥 오토인코더)과 결합하면 더 복잡한 뇌 역동성을 포착할 수 있다. 또한, 베이지안 프레임워크를 도입해 K와 k_q 를 데이터에 맞게 자동 추정하는 연구가 필요하다. **7. 결론** 본 논문은 휴식 상태 fMRI 상관 행렬을 계층적이고 희소한 패턴으로 분해하는 hSCP 모델을 제안하고, 비볼록 최적화를 적응형 그래디언트 하강법과 SVD 워밍 스타트로 효율적으로 해결하였다. 두 대규모 실제 데이터셋에서 다중 스케일 패턴의 재현성을 입증했으며, 기존 계층적 커뮤니티 탐지 기법보다 해석 가능성과 정밀도에서 우수함을 보였다. 향후 비선형 확장 및 자동 하이퍼파라미터 추정 연구를 통해 뇌 기능 네트워크의 복합적 계층 구조를 더욱 정밀히 규명할 수 있을 것으로 기대한다.