다중쉘 DSI 데이터를 HARDI 형태로 변환해 분석 접근성 확대

초록

본 논문은 다중쉘 및 확산 스펙트럼 이미징(DSI) 데이터를 일반화된 Q‑샘플링(GQI) 기반 변환 방식을 통해 고각도 확산 영상(HARDI) 형태로 전환한다. 변환된 HARDI는 기존 HARDI 전용 분석 파이프라인(예: CSD)에서 그대로 사용할 수 있으며, 인공 퍼짐체와 인간 뇌에서 원본 HARDI와 높은 상관성을 보였다. 또한 HCP 데이터에 적용했을 때 각도 해상도가 손실되지 않음을 확인하였다.

상세 분석

이 연구는 확산 MRI 분야에서 가장 큰 실용적 장벽 중 하나인 “데이터 형식 불일치” 문제를 해결하고자 한다. 기존 HCP와 같은 대규모 프로젝트는 다중쉘(multi‑shell) 혹은 DSI 프로토콜을 채택하고 있지만, 많은 최신 연결성 분석 기법—특히 constrained spherical deconvolution(CSD)이나 probabilistic tractography와 같은 HARDI 기반 방법—은 단일 b‑값, 고각도 샘플링을 전제로 설계돼 있다. 따라서 비‑HARDI 데이터는 별도의 전처리 없이 바로 활용하기 어렵다.

논문에서 제안한 변환 알고리즘은 Generalized Q‑Sampling Imaging(GQI)의 수학적 프레임워크를 이용한다. GQI는 확산 신호 S(q)와 푸리에 변환된 확산 확산 함수(ODF) 사이를 선형 관계로 표현한다는 점에서, 다양한 q‑space 샘플링을 동일한 ODF 공간으로 매핑할 수 있다. 저자들은 이 선형 관계를 역으로 이용해, 다중쉘·DSI 데이터에서 원하는 b‑값(예: 3000 s/mm²)과 동일한 고각도 방향 집합을 가진 HARDI 신호를 추정한다. 핵심은 각 q‑space 포인트에 대한 가중치를 사전 정의된 커널(예: Gaussian)으로 설정하고, 최소 제곱법을 통해 변환 행렬을 계산한다는 점이다. 이 과정은 전역적인 선형 시스템이므로 계산량이 비교적 적고, 기존 파이프라인에 쉽게 삽입할 수 있다.

검증 단계에서는 (1) 물리적 퍼짐체(Phantom)와 (2) 인간 피험자에서 동시에 다중쉘, DSI, HARDI 데이터를 획득한 뒤, 변환된 HARDI와 실제 HARDI 사이의 피어슨 상관계수를 비교했다. 퍼짐체 실험에서 r > 0.9라는 높은 상관을 보였으며, 인간 데이터에서도 CSD를 적용했을 때 얻어지는 섬유 방향 분포(ODF)가 원본 HARDI와 시각적으로 거의 일치했다. 특히, 교차 섬유 영역에서의 각도 구분 능력도 보존되었다.

추가 실험으로 HCP 공개 데이터에 변환을 적용했으며, 변환 후에도 동일한 b‑값·고각도 설정을 사용한 기존 HARDI 분석 결과와 비교했을 때, 전반적인 연결성 매트릭스와 트랙터 길이 분포가 유의미하게 차이나지 않았다. 이는 변환 과정이 실제 angular resolution을 손상시키지 않음을 의미한다.

한계점으로는 (i) 변환 과정에서 잡음에 민감할 수 있다는 점, (ii) 매우 높은 b‑값(> 4000 s/mm²) 데이터에서는 선형 근사가 정확도를 떨어뜨릴 가능성, (iii) 변환 후에도 원본 데이터의 SNR 특성이 그대로 남아 있어, 후속 정규화 단계가 필요할 수 있다는 점을 언급한다. 향후 연구에서는 비선형 최적화나 딥러닝 기반 보정 모델을 도입해 이러한 문제를 보완하고, 다양한 스캐너 및 프로토콜에 대한 일반화 검증을 확대할 계획이다.

이러한 접근은 기존에 HARDI 전용 툴체인을 활용하지 못했던 방대한 비‑HARDI 데이터베이스를 즉시 활용 가능하게 함으로써, 연결성 연구의 재현성 및 데이터 공유 효율성을 크게 향상시킬 것으로 기대된다.