실시간 인라인 정량 MRI, 스캐너‑통합 머신러닝으로 NODDI 구현

초록

**
본 연구는 Siemens ICE 환경에 ONNX 기반 신경망을 직접 삽입해, 확산 MRI에서 NODDI 파라미터를 10초 이내에 실시간으로 추정한다. 두 종류의 완전연결 신경망(NN‑MLE, NN‑GT)을 합성 데이터로 학습시켰으며, 건강인 자원자 두 명(재스캔 포함)과 합성 테스트에서 기존 최대우도 추정과 비교해 정확도와 일관성을 검증하였다. 결과는 NN‑MLE가 기존 MLE와 가장 유사한 편향을 보이며, 전체 워크플로우가 임상 환경에 바로 적용 가능함을 시사한다.

**

상세 분석

**
이 논문은 고급 정량 MRI(qMRI) 기술이 임상에 보급되지 못하는 가장 큰 원인 중 하나인 ‘연구 모드’의 오프라인 파라미터 추정 과정을 근본적으로 바꾸는 접근법을 제시한다. 핵심은 Siemens사의 Image Calculation Environment(ICE) 파이프라인에 ONNX Runtime을 직접 컴파일하여, 재구성 서버의 CPU에서 신경망 추론을 수행하도록 만든 점이다. 이를 위해 두 개의 완전연결(fully‑connected) 신경망을 설계했으며, 하나는 전통적인 최대우도(MLE) 추정값을 라벨로, 다른 하나는 합성 데이터에서 직접 생성한 ‘ground‑truth’ 라벨을 사용해 학습시켰다(NN‑MLE vs. NN‑GT). 합성 데이터는 NODDI 모델을 이용해 두 가지 다중쉘 확산 스키마(2‑shell, 3‑shell)와 다양한 잡음 수준을 포함하도록 생성했고, 파라미터 공간을 균일하게 샘플링해 모델의 일반화 능력을 확보하였다.

실제 스캐너에서의 테스트는 3 T MAGNETOM Vida 시스템에서 두 명의 건강한 피험자를 대상으로 두 가지 프로토콜을 적용했으며, 한 피험자는 재배치 없이 재스캔을 진행했다. 신경망은 4D 이미지가 모두 재구성된 뒤 voxel‑wise로 입력 신호를 정규화하고 추론을 수행해 ODI, NDI, FWF 세 파라미터를 DICOM 시리즈로 즉시 출력한다. 전체 4D 데이터셋에 대한 추론 시간은 10 초 미만으로, 기존 MLE가 전체 뇌에 대해 수시간이 소요되는 것과 극명히 대비된다.

정량적 평가는 두 축면에서 이루어졌다. 첫째, 임상 데이터에서 NN‑MLE와 NN‑GT가 각각 MLE와 얼마나 일치하는지를 scatter plot과 평균 절대 차이(MAD)로 비교했다. 결과는 NN‑MLE가 WM에서 NDI·FWF, GM에서 ODI·FWF 등 주요 조직별 파라미터에 대해 MLE와 가장 작은 편향과 MAD를 보였으며, NN‑GT는 전반적으로 더 큰 분산과 편향을 나타냈다. 둘째, 순수 합성 테스트(10⁵ 샘플)에서는 각 파라미터별 bias와 표준편차를 그리드 포인트별로 분석했는데, NN‑MLE와 MLE의 bias 벡터가 거의 겹쳐 모델 자체의 한계가 신경망에 크게 전이되지 않음을 확인했다. 반면 NN‑GT는 특히 높은 FWF 영역에서 과대/과소 추정이 두드러졌다.

이러한 결과는 ‘supervised learning with non‑GT labels’(Epstein et al.) 전략이 실제 임상 적용에 있어 실용적이며, 복잡한 self‑supervised 학습 없이도 기존 피팅과 동등한 정확도를 달성할 수 있음을 입증한다. 또한, ONNX 기반의 경량 런타임을 ICE에 직접 삽입함으로써 별도 GPU 서버나 외부 워크스테이션 없이도 실시간 추론이 가능하다는 점은 병원 현장의 IT 인프라 요구사항을 크게 낮춘다.

한계점으로는 현재 파이프라인에 전처리(eddy‑current 보정, motion correction 등)가 포함되지 않아, 고품질 데이터에만 적용 가능하다는 점이다. 또한, 신경망이 학습된 특정 확산 스키마와 SNR 범위에 의존하므로, 프로토콜이 크게 변하면 재학습이 필요할 수 있다. 향후 연구에서는 전처리 모듈 통합, 다양한 병리학적 케이스에 대한 검증, 그리고 다중 모델(예: CHARMED, MAP‑MRI) 확장 등을 목표로 하고 있다.

결론적으로, 이 연구는 ‘임상 모드’ qMRI를 실현하기 위한 기술적 토대를 마련했으며, 고급 확산 모델을 포함한 다양한 정량 MRI가 일상적인 영상 진단 흐름에 자연스럽게 녹아들 수 있는 길을 열었다.

**