문헌 T1 매핑 방법의 MT 파라미터 민감도 분석

초록

본 연구는 3 T 뇌 조직에서 25가지 기존 T1 매핑 기법을 시뮬레이션하여, 반고체 스핀 풀 크기(mₛ₀), 자유 풀 T1(T_f₁), 반고체 풀 T1(T_s₁), 그리고 교환율(Tₓ) 등 주요 MT 파라미터가 관측된 T₁(Tₒ₁) 값에 미치는 영향을 정량적으로 평가한다. 선형 혼합효과 모델을 이용해 파라미터별 민감도(∂Tₒ₁/∂pᵐᵗ)와 그 변동성을 분석한 결과, 변수 플립 앵글(VFA) 방법이 교환율에 가장 민감하고, 전체적으로 mₛ₀와 T_f₁이 가장 큰 영향을 미치는 것으로 나타났다.

상세 분석

본 논문은 기존 문헌에 보고된 25개의 T1 매핑 시퀀스를 3 T 뇌 조직의 9개 ROI(전체 백색질, 전·후 방추체, 회백질, 꼬리핵, 피루스, 팔리둠, 시상, 해마)에서 MT 파라미터 변화를 가정한 시뮬레이션을 통해 관측된 Tₒ₁ 값을 재현한다. 시뮬레이션은 일반화 블로흐 모델을 기반으로 RF 펄스를 4차 Runge‑Kutta와 단계별 적분법으로 정확히 구현했으며, 이미지 그래디언트와 B₀·B₁ 비균일성은 무시하였다. 각 시퀀스별 Tₒ₁을 추정한 뒤, 6가지 MT 파라미터(pᵐᵗ∈{mₛ₀, T_f₁, T_f₂, Tₓ, T_s₁, T_s₂})에 대한 민감도 ∂Tₒ₁/∂pᵐᵗ를 계산하고, 파라미터 평균값으로 정규화하였다.

민감도 평균값과 변동계수(CV)를 기반으로 선형 혼합효과 모델을 구축했으며, 고정 효과(각 MT 파라미터)와 무작위 효과(ROI, 시퀀스 유형, 개별 시퀀스)를 포함한다. 모델 적합도는 R²_full가 0.90~0.99에 달해 전체 변동을 잘 설명한다. 주요 결과는 다음과 같다.

1. 가장 큰 평균 민감도는 T_f₁(≈0.68)이며, 그 뒤를 mₛ₀(≈0.56)와 T_s₁(≈0.39)이 따른다. 이는 자유 풀의 T1과 반고체 풀 크기가 관측된 T₁에 가장 큰 영향을 미친다는 것을 의미한다.
2. 교환율 Tₓ에 대한 민감도는 평균 0.10이지만, 변동계수 0.51로 가장 큰 불확실성을 보이며, 이는 시퀀스 유형에 크게 좌우된다. 특히 VFA 방법이 Tₓ에 대해 높은 민감도를 보이며, 반면 IR·Look‑Locker·MP‑RAGE는 낮다.
3. T_f₂와 T_s₂는 전체적으로 낮은 민감도(각 0.01~0.05)를 보이나, T_s₂는 VFA 시퀀스에서 상대적으로 높은 변동을 나타낸다. 이는 T₂ 관련 효과가 VFA에서 MT와 교차하게 작용함을 시사한다.
4. 고정 효과 기여도 분석에서 mₛ₀, T_f₁, T_f₂가 R²_fixed의 약 80%를 차지한다. 반면 Tₓ와 T_s₁·T_s₂는 각각 10% 이하에 머문다.
5. 무작위 효과 중 ROI는 거의 기여하지 않으며, 시퀀스 유형과 개별 시퀀스가 대부분의 변동을 설명한다. 이는 동일 조직 내에서도 구현 세부사항이 T₁ 측정에 큰 영향을 미친다는 결론을 뒷받침한다.

결론적으로, MT 파라미터가 T₁ 매핑에 미치는 영향은 시퀀스 구현에 따라 크게 달라지며, 특히 VFA는 교환율에 민감하고, 전통적인 IR·Look‑Locker·MP‑RAGE는 mₛ₀와 T_f₁에 더 크게 반응한다. 이러한 결과는 임상·연구 현장에서 T₁ 값을 비교하거나 표준화할 때 MT 파라미터와 시퀀스 특성을 동시에 고려해야 함을 강조한다.