초소형 초저장자기장 DTI 향상을 위한 베이지안 아티팩트 보정 및 딥러닝 초해상도

초록

본 논문은 9방향 단일쉘 초저장자기장(ULF) DTI 시퀀스를 제안하고, 방향 의존성을 갖는 베이지안 편향장 보정 알고리즘과, 구형조화(SH) 기반 딥러닝 초해상도 모델 DiffSR을 개발한다. 합성 다운샘플링 및 실제 고장(HF)·초저장자기장(ULF) 매칭 데이터에서 미세구조 지표와 트랙토그래피를 회복함을 보였으며, 알츠하이머 병 분류에서도 성능 향상을 확인하였다. 코드와 알고리즘은 모두 공개한다.

상세 분석

본 연구는 초저장자기장(ULF, <100 mT) MRI가 갖는 근본적인 한계—신호대잡음비(SNR) 저하, 큰 voxel 크기에 따른 부분볼륨 효과, 그리고 B0·B1 비균일성으로 인한 공간·각도 편향—를 두 가지 혁신적인 소프트웨어 접근법으로 극복하고자 한다. 첫 번째는 ‘베이지안 편향장 보정’이다. 저해상도 DTI에서 관측되는 신호는 Stejskal‑Tanner 모델에 다중 곱셈적 편향을 곱한 형태로 모델링한다. 여기서 B1 편향은 방향에 무관한 저주파 곱셈 필드, B0 편향은 b값 스케일링, 그리고 각도‑특이 편향은 확산 방향마다 다른 스무스 필드로 가정한다. 저자들은 고장(HF) DTI에서 추출한 FA·주축 방향 분포를 사전 확률로 사용해, 각 voxel의 편향 파라미터를 최대우도 추정이 아닌 베이지안 추론으로 최적화한다. 이 과정에서 공간적 스무딩과 미세구조(FA·주축) 정규화를 동시에 적용함으로써, 실제 백색질 고FA 영역은 보존하고 인공적인 저FA 영역을 교정한다.

두 번째 핵심은 ‘DiffSR’이라 명명된 초해상도 네트워크이다. 기존 고장 DTI 초해상도 방법은 주로 이미지 공간에서 3D CNN을 사용하거나, Q‑space(각도) 보간을 위한 딥러닝 회귀 모델에 의존했지만, ULF 특유의 저 SNR·저 해상도·특정 노이즈 패턴을 반영하지 못했다. 저자들은 DTI 데이터를 구형조화(spherical harmonic, SH) 계수 형태로 변환해 입력 차원을 일정하게 만든 뒤, U‑Net 기반 3D CNN에 icosahedral 투영 SH 계수를 처리하는 MLP‑Transformer 블록을 결합하였다. Transformer는 각 SH 차수 간의 전역 상관관계를 학습해, 공간·각도 두 축에서 동시에 해상도를 높인다. 학습 데이터는 Human Connectome Project(HCP) 청년군 100명을 사용했으며, ULF 환경을 모사하기 위해 잡음 수준, 해상도, 그리고 인위적 편향을 대규모 데이터 증강(가우시안 노이즈, 랜덤 스케일링, 방향‑특이 바이어스)으로 변형하였다. 중요한 점은 ‘재학습 없이도’ 다양한 DTI 데이터셋에 바로 적용 가능하도록 설계되었다는 것이다.

실험은 세 단계로 구성된다. 1) 합성 다운샘플링 실험에서는 고해상도 HCP 데이터를 인위적으로 저해상도·저 SNR·편향을 가해 만든 ‘가상 ULF’ 데이터에 DiffSR을 적용했을 때, FA·MD 평균 절대오차가 30 % 이상 감소했으며, 복원된 SH 계수의 코사인 유사도가 0.92에 달했다. 2) 실제 18명의 피험자에 대해 64 mT 초저장자기장 DTI와 3 T 고장 DTI를 매칭 촬영한 결과, 베이지안 편향 보정 후 DiffSR을 적용했을 때, 주요 백색질 트랙(예: 피라미달 방사선, 섬유 교차점)의 FA가 고장 기준과 0.03 이하 차이로 수렴했고, 트랙토그래피 연결성 지표도 고장과 유사한 패턴을 보였다. 3) ADNI 데이터(AD·LMCI·정상)에서는 단일‑쉘 48방향 2 mm 해상도 DTI를 인위적으로 저해상도·저 SNR·편향을 가해 ‘가상 ULF’로 만든 뒤 DiffSR을 적용하였다. 백색질 기반 로지스틱 회귀 분류에서 정확도는 71 %→84 %로 상승했으며, 특히 해마·뇌섬 회백질 FA 차이가 더 뚜렷하게 드러났다.

전반적으로 베이지안 편향 보정은 물리적 편향을 통계적으로 모델링함으로써 기존 N4와 같은 정적 보정보다 방향 의존성을 효과적으로 제거한다. DiffSR은 SH 기반 전역 표현과 Transformer‑U‑Net 구조를 통해 공간·각도 초해상도를 동시에 달성하면서, ULF 특유의 노이즈와 편향에도 강인성을 보인다. 코드와 모델을 공개함으로써, 다른 연구팀이 다양한 저장자기장 시스템에 바로 적용하거나, 고장 DTI와의 harmonization 연구에 활용할 수 있다. 다만, 현재 9방향·단일쉘 설계는 복잡한 다쉘·다방향 모델에 비해 미세구조 파라미터 추정 정확도가 제한적이며, 베이지안 사전이 고장 데이터에 크게 의존한다는 점에서 새로운 인구집단(예: 고령, 병리)에서는 사전 재조정이 필요할 수 있다. 또한, DiffSR은 SH 차수를 8까지 제한했으며, 매우 높은 b값(>3000 s/mm²) 데이터에 대한 일반화 검증은 부족하다. 향후 연구에서는 다쉘·다방향 ULF 프로토콜과 결합한 확장, 그리고 실시간 하드웨어 보정과의 통합이 기대된다.