비유클리드 공분산 행렬 통계와 확산 텐서 영상 분석

본 논문은 양의 반정정 대칭 행렬(공분산 행렬) 공간이 비유클리드임을 인식하고, 이러한 특성을 반영한 통계적 방법론을 체계적으로 제시한다. 서론에서는 공분산 행렬이 다양한 분야—특히 확산 텐서 영상(DTI)—에서 핵심 데이터 형태임을 밝히고, 기존의 유클리드 기반 평균(산술 평균)과 그 한계를 지적한다. 2절에서는 DTI의 물리적·수학적 배경을 설명한다. 물 분자의 3차원 확산을 다변량 정규분포로 모델링하고, 그 공분산 행렬 Σ를 ½ D 로 정의한다. D는 각 뇌 voxel에서 추정되는 3×3 양의 반정정 행렬이며, 고유값과 고유벡터를 이용해 타원 형태로 시각화한다. FA(Fractional Anisotropy)와 같은 기존 이방성 지표는 고유값의 변동성을 정규화하지만, 노이즈와 외삽 시 비양수 고유값을 초래할 수 있다. 3절에서는 평균 공분산 행렬 추정에 대한 다양한 거리 기반 접근을 검토한다. - 3.1절은 Euclidean 거리 d_E와 그에 따른 산술 평균을 소개한다. 이 방법은 Wishart 가정 하에서 최대우도 추정량이지만, 비유클리드 공간에서 외삽 시 비양수 행렬을 만들 위험이 있다. - 3.2절은 Fréchet 평균 개념을 도입한다. 임의의 거리 d에 대해 Σ̂ = arg min Σ_i d(S_i, Σ)^2 로 정의되며, 거리 선택에 따라 평균의 존재·유일성이 달라진다. - 3.3절은 구체적인 거리·변환을 네 가지 제시한다. (1) 로그‑유클리드 거리와 그 평균 exp( (1/n)∑log S_i ); (2) Riemannian 거리 d_R와 그 Fréchet 평균, 이는 부정적인 단면곡률을 갖는 완전 리만 다양체 위에서 정의되어 유일성 보장; (3) Cholesky 분해 기반 거리와 평균 L̄ L̄ᵀ; (4) 행렬 제곱근 기반 거리와 평균 S̄^{1/2} S̄^{1/2ᵀ}. 각 방법의 장단점을 논의하고, 특히 로그‑유클리드와 Riemannian 방법은 양의 정의 행렬에만 적용 가능함을 지적한다. 4절은 논문의 핵심인 Procrustes 크기‑형태 분석을 상세히 전개한다. 4.1절에서는 거리 d_S(S₁,S₂)=inf_{R∈O(k)}‖L₁−L₂R‖_F 를 정의한다. 여기서 L_i는 S_i를 L_iL_iᵀ 형태로 분해한 행렬이며, Cholesky 또는 제곱근을 사용할 수 있다. 최적 회전·반사 R̂는 SVD(L₁ᵀL₂)=U Λ Wᵀ 로부터 R̂=UWᵀ 로 얻는다. 이 거리 함수는 반사 크기‑형태 공간의 Riemannian 메트릭이며, 양의 원뿔 위에 양의 단면곡률을 가진다. 4.2절은 최소 지오데식 경로와 접공간(tangent space) 개념을 도입한다. 두 행렬 사이의 최소 지오데식은 L₁ + t T 로 표현되며, 여기서 T = L₂R̂ − L₁ 이다. 접공간에서는 유클리드 거리로 근사하여 다변량 정규 기반 추정, 차원 축소, 주성분 분석 등을 수행할 수 있다. 4.3절에서는 Procrustes 평균 Σ̂_P = arg min Σ_i d_S(S_i, Σ)^2 를 정의하고, 일관성 및 점근적 정규성을 증명한다. 또한, 평균을 구하기 위한 반복 알고리즘(예: 프로크루스트 매칭 후 평균)과 수치적 구현 세부사항을 제시한다. 5절에서는 앞서 소개한 네 가지 거리와 Procrustes 방법을 비교한다. 시뮬레이션에서는 다양한 노이즈 수준(Rician, Gaussian)과 행렬 계수(rank) 조건에서 평균 추정의 편향·분산을 평가한다. 결과는 Procrustes 평균이 특히 낮은 계수(반정정) 상황에서 안정적이며, 외삽 시 비양수 고유값을 생성하지 않음을 보여준다. 또한, 새로운 이방성 지표인 Procrustes Anisotropy(PA)를 정의한다. PA는 Procrustes 평균의 크기와 형태를 분리하여, 형태 변동이 큰 경우에도 일관된 이방성 값을 제공한다. 실험에서는 PA가 기존 FA보다 낮은 평균 오차와 더 높은 민감도를 보인다. 6절은 실제 DTI 데이터에 대한 적용 사례를 제시한다. (6.1)에서는 인간 뇌의 FA 지도와 PA 지도를 비교하여, 백색질 섬유 트랙이 PA에서 더 명확히 드러나는 것을 확인한다. (6.2)에서는 두 시간점 사이의 텐서 변화를 Procrustes 지오데식으로 보간하여, 고해상도 텐서 재구성에 성공한다. (6.3)에서는 시뮬레이션 기반 검증을 통해, Procrustes 평균 기반 회귀 모델이 기존 로그‑유클리드 기반 모델보다 예측 정확도가 높음을 입증한다. 7절은 결론으로, 비유클리드 거리와 Procrustes 크기‑형태 공간이 공분산 행렬 분석에 제공하는 이점을 요약한다. 특히 DTI와 같은 의료 영상 분야에서, 양의 반정정성을 유지하면서도 통계적 효율성을 확보할 수 있음을 강조한다. 향후 연구 방향으로는 고차원(>3) 텐서, 시간적 연속성 모델, 그리고 베이지안 프레임워크와의 통합을 제시한다.