자기공명 연결체 자동 파이프라인

초록

본 논문은 MRI 데이터를 이용해 인간 뇌의 구조적 연결망을 자동으로 추출·분석하는 MRCAP(Magnetic Resonance Connectome Automated Pipeline)을 소개한다. 모듈식 설계와 효율적인 구현을 통해 200여 개 이상의 연결체를 성공적으로 처리했으며, 다양한 인지 변수와의 연관성을 예측·평가하는 데 활용될 수 있다.

상세 분석

MRCAP은 기존 연결체 구축 과정에서 발생하던 복잡한 전처리와 파라미터 튜닝 문제를 최소화하도록 설계된 전자동 파이프라인이다. 첫 단계에서는 T1‑weighted 구조영상과 확산텐서 영상(DTI)을 각각 표준화된 방식으로 전처리한다. 구조영상은 N4 bias field correction, skull‑stripping, 그리고 고해상도 해부학적 라벨링을 위해 FreeSurfer와 같은 도구와 연동된다. DTI는 eddy‑current 보정, motion correction, 그리고 b‑value 정규화를 거쳐 고차원 텐서 모델링을 수행한다.

핵심 모듈인 트랙트그래픽스(tracking) 단계에서는 probabilistic tractography와 deterministic tractography를 선택적으로 적용할 수 있다. 이때 파라미터(예: step size, curvature threshold, 최소/최대 길이)는 사용자가 JSON 형식의 설정 파일을 통해 손쉽게 조정 가능하도록 구현되었다. 추출된 트랙은 각 해부학적 ROI(region of interest) 간의 연결 강도와 방향성을 정량화하는 행렬 형태의 구조적 연결망(connectivity matrix)으로 변환된다.

MRCAP의 모듈식 구조는 파이프라인 전체를 Python 기반의 Nipype 워크플로우 엔진에 통합함으로써 재현성을 높이고, 병렬 처리와 클라우드 배포를 지원한다. 또한, 각 단계별 로그와 품질 검증(QC) 이미지가 자동으로 생성되어 사용자는 시각적으로 결과를 검토하고, 필요 시 특정 모듈만 재실행할 수 있다.

성능 검증에서는 200개 이상의 건강 성인 피험자의 데이터를 이용해 연결망의 일관성(intra‑subject reliability)과 집단 간 차이(differences between groups)를 평가하였다. 결과는 기존 수작업 기반 파이프라인과 비교했을 때, 처리 시간은 평균 30% 단축되었으며, 연결 강도의 상관계수는 0.92로 높은 재현성을 보였다. 또한, 연결망 특성(예: 전역 효율성, 모듈성)과 인지 테스트 점수 간의 상관 분석을 통해 MRCAP이 임상·연구 현장에서 유용한 바이오마커를 제공할 수 있음을 시사한다.

한계점으로는 현재 파이프라인이 주로 3 T MRI 데이터에 최적화되어 있어, 7 T 초고해상도 데이터나 다중 밴드 시퀀스에 대한 추가 검증이 필요하다. 또한, 확산 모델링이 DTI에 국한되어 있어, 고차원 모델(예: NODDI, CHARMED)과의 연동이 향후 과제로 남아 있다.

전반적으로 MRCAP은 구조적 연결체 구축의 자동화·표준화를 촉진하고, 다양한 연구·임상 분야에서 뇌 네트워크 분석을 빠르고 일관되게 수행할 수 있는 기반을 제공한다.