다중스케일 뇌영상 분석을 위한 계층적 구조 희소성 모델

본 논문은 기능적 자기공명영상(fMRI) 데이터를 이용한 ‘역추론(brain‑reading)’ 문제에 대해, 다중 스케일의 공간 구조를 정규화 항에 직접 통합한 새로운 구조 희소성 모델을 제안한다. 전통적인 fMRI 분석은 개별 voxel에 대한 일변량 통계 검정에 의존해 다중 비교 문제와 다변량 상관관계를 무시한다는 한계가 있다. 반면, 역추론은 전체 뇌의 패턴을 활용해 인지·행동 변수 y를 예측하는데, 피처 수(p)가 샘플 수(n)보다 훨씬 큰 고차원 문제이므로 과적합 위험이 크다. 이를 해결하기 위해 기존 연구에서는 일변량 선택, 차원 축소, Elastic‑Net 등 정규화 기반 방법을 사용했지만, 이들 방법은 공간적 연속성을 충분히 반영하지 못한다. 저자들은 먼저 ‘공간 제약을 갖는 계층적 군집화(spatially‑constrained hierarchical clustering)’를 수행한다. Ward‑알고리즘을 기반으로, 인접한 voxel들만 병합하도록 제약을 두어 트리 T를 만든다. 트리의 각 비단말 노드는 여러 voxel을 평균한 ‘parcel’이며, 루트는 전체 뇌, 리프는 개별 voxel이다. 이렇게 하면 원본 피처 p와 병합된 parcel 수(p‑1)를 포함한 총 q=2p‑1개의 피처가 생성된다. 이 피처들을 원본 데이터와 결합해 확장 피처 행렬 ˜X를 만든다. 다음으로, 정규화 항 Ω(w)를 트리 구조에 맞춰 설계한다. 구체적으로, 각 노드 j에 대응하는 그룹 G_j는 해당 parcel의 모든 하위 voxel을 포함한다. 정규화는 ∑_{j∈T} λ_j‖w_{G_j}‖₂ 형태의 중첩 그룹 라쏘이며, 조상‑자손 관계가 유지되도록 λ_j를 계층 깊이에 따라 가중한다. 이 설계는 큰 스케일의 parcel이 먼저 선택되고, 필요 시 더 작은 스케일의 parcel이 추가되는 ‘계층적 우선순위’를 강제한다. 따라서 모델은 공간적으로 연속된 영역을 자연스럽게 선택하면서도, 불필요한 세부 voxel을 억제해 차원의 저주를 완화한다. 목적 함수는 손실 L(y,˜Xw+b)와 정규화 λΩ(w)의 합으로 정의된다. 회귀에서는 제곱 손실, 다중 클래스 분류에서는 소프트맥스 로지스틱 손실을 사용한다. 손실은 부드럽고 볼록하기 때문에, 전방‑후방 분할(Forward‑Backward Splitting) 알고리즘을 적용한다. 프로시멀 연산은 트리 구조를 활용해 O(p) 시간에 수행되며, 대규모 fMRI 데이터에서도 수십 번의 반복만으로 수렴한다. 실험은 두 부분으로 나뉜다. 첫 번째는 합성 데이터에서 서로 다른 스케일의 활성 영역을 삽입하고, 제안 모델이 정확히 해당 영역을 복원함을 확인한다. 두 번째는 실제 객체 인식 fMRI 데이터(시각 자극에 대한 다중 클래스 라벨)에서 기존 Elastic‑Net, Lasso, 그리고 그리디 트리 선택법과 비교한다. 결과는 다음과 같다. (1) 평균 예측 정확도가 제안 모델이 3~5%p 상승했으며, 특히 피험자 간 변이가 큰 경우 성능 차이가 크게 나타났다. (2) 선택된 가중치 맵은 시각 피질(V1/V2)과 전두엽 고차원 영역을 다중 스케일로 동시에 강조했으며, 이는 기존 방법이 놓치기 쉬운 중간 규모의 기능적 클러스터를 포착한다는 점에서 해석적 가치를 제공한다. (3) 모델의 파라미터 λ와 트리 깊이에 대한 민감도 분석에서도, 적절한 정규화 강도와 깊이 조합이 성능을 최적화한다는 것을 확인했다. 논문의 주요 기여는 다음과 같다. 첫째, 공간적 연속성을 보존하면서도 다중 스케일을 포괄하는 트리 기반 피처 공간을 제안했다. 둘째, 이 트리를 직접 정규화에 반영해 계층적 구조 희소성을 구현함으로써 전역 최적성을 확보했다. 셋째, 볼록 최적화와 효율적인 프로시멀 알고리즘을 결합해 실용적인 학습 시간을 달성했다. 넷째, 실제 fMRI 데이터에서 예측 정확도와 뇌 영역 해석 두 측면 모두 기존 방법을 능가함을 실증했다. 이러한 접근은 fMRI뿐 아니라, 다른 고차원 3D 이미지(예: PET, CT)나 시계열 데이터에서도 적용 가능하다. 특히, 공간·시간적 연속성을 갖는 데이터에 대해 다중 스케일 구조를 명시적으로 모델링함으로써, 해석 가능하면서도 강건한 머신러닝 모델을 구축하고자 하는 분야에 큰 영향을 미칠 것으로 기대된다.