뇌 회전구조 커뮤니티 모델링을 통한 개인 맞춤형 대뇌 지도 혁신

초록

본 연구는 3‑힌지 회선(3HG)을 이중 프로파일(위상·구조 연결)로 표현하고, 피험자별 스펙트럴 클러스터링·위상 정제를 통해 커뮤니티 단위로 묶은 뒤, 형태·기하학을 동시에 고려한 Joint Morphological‑Geometric Matching(JMGM)으로 교차 피험자 정합을 수행한다. 1,000명 이상의 HCP 데이터를 실험한 결과, 기존 아틀라스·랜드마크 기반 방법에 비해 형태 변동이 감소하고 모듈성·반구 일관성이 크게 향상되었으며, 정합 정확도도 우수함을 보였다.

상세 분석

이 논문은 대뇌 피질의 복잡한 주름 구조를 개별 피험자 수준에서 정밀하게 모델링하기 위해 ‘커뮤니티 레벨’ 접근을 도입한 점이 가장 혁신적이다. 기존 연구는 3‑힌지 회선(three‑hinge gyrus, 3HG)을 독립적인 정점으로 취급하고, 서로 다른 피험자 간 매칭을 단순 거리 기반 혹은 형태 유사도만으로 수행했다. 그러나 3HG는 서로 인접한 다른 3HG와 구조적·기능적 연관성을 형성하는 ‘접힘 커뮤니티’를 구성한다는 최근 증거를 반영하면, 단일 정점 매칭은 잡음과 미세 위치 변동에 매우 취약해진다.

논문은 이를 해결하기 위해 먼저 각 3HG를 이중‑프로파일로 인코딩한다. ‘위상 프로파일’은 1‑hop 구조 유사도와 주변 회선의 공간 관계를 행렬 형태로 정량화하여, 동일한 주름 패턴을 공유하는 3HG를 고차원 공간에서 가깝게 배치한다. ‘구조 연결 프로파일’은 확산 MRI 기반 트랙트 트리밍을 이용해 해당 회선이 연결하는 대뇌 영역들의 강도와 분포를 벡터화한다. 이 두 프로파일을 결합함으로써 형태적 특징과 연결적 특징을 동시에 보존하는 풍부한 표현을 얻는다.

다음 단계는 피험자별 스펙트럴 클러스터링이다. 3HG들을 정점, 위상·연결 유사도를 가중치로 하는 그래프를 구성하고, 그래프 라플라시안의 저차원 고유벡터를 추출한다. 여기서 저자들은 기존 스펙트럴 클러스터링에 딥 그래프 신경망(GNN)을 결합해, 학습된 임베딩이 클러스터 경계에서 보다 명확히 구분되도록 최적화한다. 결과적으로 각 피험자마다 6~8개의 ‘접힘 커뮤니티’가 도출되며, 이는 기존 ROI 파티셔닝보다 해부학적 연속성을 더 잘 유지한다.

클러스터링 후에는 위상 정제 모듈이 적용된다. 이는 클러스터 내부의 공간적 단절이나 비현실적인 경계가 발생했을 때, 인접 클러스터와의 연결성을 검토해 재배치하거나 작은 클러스터를 병합하는 절차이다. 이 과정은 특히 회선이 복잡하게 얽힌 전두엽·두정엽 부위에서 정합 오류를 크게 감소시킨다.

교차 피험자 정합을 위해 제안된 **Joint Morphological‑Geometric Matching (JMGM)**은 두 피험자 간 커뮤니티 쌍의 비용 행렬을 형태 유사도(표면 면적, 평균 곡률, 연결 강도 차이)와 기하학적 거리(표준화된 중심 좌표 차)로 동시에 정의한다. 비용 행렬에 대한 헝가리안 알고리즘을 적용해 전역 최적 매칭을 구하고, 전체 코호트에 일관된 라벨링을 부여한다. 이때 라벨 앵커는 가장 평균적인 형태·위치를 가진 커뮤니티를 기준으로 설정해, 후속 통계 분석에서 라벨 간 비교가 직관적으로 이루어지게 한다.

실험에서는 Human Connectome Project(HCP) 1,200명 데이터를 사용해, (1) 형태 변동 감소(각 커뮤니티의 표면 면적·곡률 표준편차 30% 감소), (2) 모듈러티(Q값 0.42→0.58), (3) 반구 일관성(좌·우 대칭 상관계수 0.71→0.84), (4) 정합 정확도(아틀라스 기반 평균 정점 거리 6.3 mm→3.1 mm) 등을 평가했다. 또한, 기존 랜드마크 매칭·임베딩 기반 방법과 비교했을 때, JMGM‑커뮤니티 모델은 통계적으로 유의미하게 우수한 성능을 보였다.

이러한 결과는 개인 맞춤형 뇌 연결망 구축에 있어, 미세한 주름 구조를 보존하면서도 대규모 코호트 분석이 가능한 새로운 패러다임을 제시한다. 특히, 신경퇴행성 질환·정신질환 연구에서 커뮤니티 수준의 형태·연결 변화를 탐지함으로써, 기존 ROI 기반 바이오마커보다 민감하고 해석 가능한 지표를 제공할 가능성이 크다.