시뮬 리얼 격차를 줄인 딥러닝 기반 GABA 정량화

본 논문은 저농도 대사물질인 γ‑아미노부티르산(GABA)의 정량화를 목표로, MEGA‑PRESS 편집 스펙트럼에서 딥러닝 기반 회귀 모델을 개발·검증한다. 연구는 크게 네 단계로 진행된다. 첫째, 물리‑기반 시뮬레이션 파이프라인을 구축한다. FID‑A 툴박스를 이용해 GABA, Glu, Gln, NAA, Cr의 OFF·ON 스펙트럼을 Hamiltonian 모델로 계산하고, slice‑profile을 2‑D 격자에서 구현해 실제 RF 펄스의 비이상성을 반영한다. 이를 통해 10 000개의 시뮬레이션 스펙트럼을 생성하고, 5‑fold 교차 검증을 수행한다. 둘째, 두 가지 딥러닝 아키텍처를 설계한다. 첫 번째는 1‑D 컨볼루션 신경망(FCNN)으로, 스펙트럼의 로컬 피크와 패턴을 직접 학습한다. 두 번째는 Y‑shaped Autoencoder(YAE)로, 인코더‑디코더 구조와 병렬 분기(branch)를 통해 노이즈 억제와 전역적 특징 추출을 동시에 수행한다. 두 모델 모두 다중 메타볼라이트(5종) 농도를 동시에 회귀하도록 설계되었다. 셋째, 베이지안 최적화를 이용해 하이퍼파라미터 탐색을 자동화한다. 탐색 공간에는 필터 크기, 층 수, 활성화 함수, 학습률, 정규화 강도 등이 포함된다. 최적화 결과, FCNN은 7개의 컨볼루션 층과 ReLU 활성화, 학습률 1e‑4가 최적이며, YAE는 4개의 인코더 레이어와 2개의 디코더 브랜치, LeakyReLU가 최적으로 선정되었다. 선택된 모델은 100 000개의 추가 시뮬레이션 데이터로 재학습한다. 넷째, 실험적 검증을 위해 112개의 팬텀(용액 70개, 젤 42개)에서 144개의 스펙트럼을 수집한다. 각 팬텀은 GABA, Glu, Gln, NAA, Cr의 농도를 정확히 알려진 상태로 준비했으며, 3 T MRI 스캐너에서 다양한 대역폭(2 kHz, 3 kHz 등)과 구현(시퀀스 파라미터 변형)으로 측정했다. 전처리는 물리적 위상 보정, 물-신호 억제, 그리고 0‑order 베이스라인 보정을 포함한다. 실험 결과, 시뮬레이션 단계에서는 두 모델 모두 MAE <0.02, 회귀 기울기 ≈1.00, R²≈1.00으로 거의 완벽한 성능을 보였다. 그러나 초기(라인폭 고정) 모델을 팬텀 데이터에 적용했을 때 MAE가 크게 상승했으며, 특히 GABA에서 0.20 이상으로 LCModel과 비슷하거나 더 나쁜 결과가 나타났다. 이는 실제 스펙트럼이 시뮬레이션에서 가정한 고정 라인폭을 벗어나기 때문이다. 이를 해결하기 위해 라인폭 변동을 반영한 데이터 증강을 도입하였다. 훈련 시 라인폭을 5–15 Hz 범위에서 무작위로 변동시키고, 노이즈 수준도 다양하게 조절했다. 증강 후 모델은 팬텀 데이터에서 GABA에 대해 평균 MAE 0.151(YAE), 0.160(FCNN)으로 개선되었으며, LCModel(0.220)보다 유의하게 낮았다. Glu와 Gln에서도 유사한 개선이 관찰되었고, NAA와 Cr는 이미 높은 SNR로 인해 큰 차이가 없었다. 또한, 모델의 추정 편향과 분산을 분석한 결과, YAE는 라인폭 변동에 더 강인한 특성을 보였으며, FCNN은 훈련 데이터에 포함된 노이즈 수준에 민감했다. 두 모델 모두 추정값의 표준편차가 LCModel보다 작아, 정밀도 측면에서도 우수함을 확인했다. 결론적으로, 물리‑기반 시뮬레이션과 라인폭 증강이라는 두 가지 ‘physics‑informed’ 접근법이 딥러닝 기반 MRS 정량화에서 시뮬‑리얼 격차를 크게 줄였으며, 특히 저농도 GABA와 같은 어려운 타깃에 대해 기존 상용 툴보다 높은 정확도와 정밀도를 제공한다. 저자는 향후 임상 적용 전 반드시 다양한 조건의 팬텀 검증을 수행해야 하며, 데이터 증강을 통해 도메인 쉬프트에 대한 강인성을 지속적으로 확보해야 한다고 강조한다.