뇌 1H MRSI 노이즈 제거를 위한 딥러닝 WALINET: 물·지질 신호 신속·정밀 억제

초록

WALINET은 Y‑Net 구조를 기반으로 한 딥러닝 모델로, 7 T 초고장자기공명 1H MRSI에서 스칼프 지질과 물 신호를 동시에 억제한다. 시뮬레이션·실제 뇌 데이터에서 기존 HLSVD + L2 정규화 대비 8 초의 처리 시간으로 42 분을 단축하고, 지질 NRMSE를 41 % 낮추며, 대사물 신호 보존을 71 % 개선한다. 또한 SNR을 155 % 향상시키고 CRLB를 50 % 감소시켜 정량 정확도를 크게 높였다.

상세 분석

본 연구는 전체 뇌 1H‑MRSI에서 물과 지질이라는 두 종류의 ‘귀찮은’ 신호를 동시에 제거하는 데 초점을 맞추었다. 전통적인 방법은 물에 대해서는 Hankel‑Lanczos Singular Value Decomposition(HLSVD)을, 지질에 대해서는 L2 정규화 기반 선형 투영 연산자를 사용한다. 그러나 이들 방법은 파라미터 튜닝이 복잡하고, 고해상도 3D 데이터에서는 처리 시간이 수십 분에 달한다는 한계가 있다. WALINET은 이러한 문제를 딥러닝으로 해결한다.

1. 네트워크 설계: Y‑Net 구조를 변형해 두 개의 인코더(E1, E2)를 사용한다. E1은 원본 스펙트럼 x₁(대사물 + 지질 + 물)을, E2는 지질 투영 연산자 (1‑L) 를 적용한 스펙트럼 x₂를 입력받는다. 두 인코더의 특징 맵을 병합해 디코더에 전달함으로써, 물·지질과 대사물의 스펙트럼 특성을 동시에 학습한다. 각 컨볼루션 블록은 7 × 7 커널, PReLU, 0.01 드롭아웃, MaxPooling/Up‑sampling을 포함한다.

2. 학습 데이터: 1.9 × 10⁶개의 시뮬레이션 대사물 스펙트럼을 다양한 농도·라인폭·노이즈 조건으로 생성하고, 19명의 피험자(2명 환자 포함)에서 실제 측정한 물·지질 스펙트럼을 추출해 결합하였다. 이렇게 만든 합성 스펙트럼을 훈련·검증에 사용함으로써, 실제 현장에서 마주치는 복합적인 변형(위상 변동, B₀·B₁⁺ 비균일성 등)을 자연스럽게 반영했다.

3. 학습 절차: 실시간 위상 랜덤화(φ = e^{iω})와 에너지 정규화를 적용해 입력을 전처리하고, 실수·허수 채널을 별도로 학습한다. 손실 함수는 실수·허수 각각에 대한 MSE이며, Adam 옵티마이저(초기 학습률 0.01, 400 epoch, 50 epoch마다 학습률 ¼ 감소)로 최적화하였다. 3개의 NVIDIA A40 GPU를 활용해 약 2 일 내에 학습을 완료했다.

4. 성능 평가: 시뮬레이션에서는 NRMSE 기준으로 지질 억제에서 0.86‑2.69 %(interquartile)로 L2(3.68‑6.45 %)보다 현저히 낮았으며, 대사물 보존에서도 0.62‑1.45 %로 L2(1.04‑4.11 %)보다 우수했다. 실제 3D ECCENTRIC 데이터에서는 전체 처리 시간을 8 초(≈0.13 min)로 단축했으며, HLSVD+L2는 42 분이 소요되었다. 정량화된 대사물(NAA, Cr, Cho 등)의 SNR은 평균 155 % 상승했고, CRLB는 50 % 감소해 신뢰도 높은 피팅 결과를 얻었다. 또한, 대사물 지도에서 회색질·백질 대비가 개선되고, 미세 구조가 더 뚜렷하게 드러났다.

5. 한계와 향후 과제: 현재는 7 T 초고장 MRI와 1Tx/32Rx 헤드 코일에 최적화돼 있다. 다른 필드 강도(3 T, 9.4 T)나 다중 채널 코일 환경에서는 재학습이 필요할 수 있다. 또한, 물·지질 외에 잡음·스캔 아티팩트(예: 움직임, 화학적 변이)까지 동시에 처리하도록 확장하는 연구가 진행될 여지가 있다.

전반적으로 WALINET은 전통적인 선형·정규화 기반 방법의 복잡성을 크게 낮추고, 고해상도 전뇌 MRSI 파이프라인을 자동화·고속화하는 데 성공한 사례라 할 수 있다.