CNN 기반 마이엘린 부피 지수 지도 생성의 효용성

본 논문은 Rapid Simultaneous Relaxometry Imaging(RSRI)으로부터 얻은 R1, R2, PD와 SyMRI 소프트웨어가 제공하는 합성 마이엘린 부피 지도(SyMVF)를 활용해, 기존 알고리즘이 픽셀‑별 고정 매핑으로 인해 주변 조직 정보를 반영하지 못한다는 문제점을 해결하고자 한다. 이를 위해 컨볼루션 신경망(CNN)을 이용해 새로운 마이엘린 부피 지수(GenMVI)를 생성하는 방법을 제안한다. 연구 대상은 신경학적·정신과적 병력이 없으며, 뇌 MRI에서 중등도 이상의 백질 병변이 없는 20명의 건강한 성인(남성 9명, 여성 11명)이다. 모든 피험자는 3T Siemens Prisma 스캐너로 RSRI와 MT 가중 영상을 획득하였다. RSRI는 QRAPMASTER 시퀀스로 R1, R2, PD, SyMVF를 도출했으며, MT 가중 영상은 FLASH 시퀀스로 MTsat을 계산하고 이를 스케일링해 MT 기반 마이엘린 부피 지수(MTMVI)를 생성하였다. ROI 정의는 Johns Hopkins ICBM‑DTI‑81 WM 라벨과 AAL 피질·피질하 GM 라벨을 사용해 총 164개의 해부학적 ROI(48 WM, 108 피질 GM, 8 피질하 GM)를 만들었다. 각 ROI는 SyMVF 공간에 비선형 등록(FSL, ANTS)된 뒤, 8‑연결 이웃 침식으로 경계 효과를 최소화하였다. MTMVI는 WM 영역 평균값이 SyMVF와 일치하도록 스케일링하고, 동일한 비선형 변환을 적용해 SyMVF와 동일한 좌표계에 맞췄다. CNN 설계는 두 개의 서브 네트워크로 구성된다. 첫 번째 ‘세그멘테이션 블록’은 U‑Net 형태의 인코더‑디코더 구조로, R1·R2·PD를 입력받아 지역적 텍스처와 조직 특성을 추출한다. 두 번째 ‘재구성 블록’은 추출된 특징 맵과 SyMVF를 결합해 비선형 회귀를 수행, 최종적으로 GenMVI를 출력한다. 각 컨볼루션 층의 채널 수와 커널 크기는 논문 그림 1에 상세히 제시되어 있다. 학습 데이터는 32×32 픽셀 패치를 무작위 추출해 128×128으로 리사이즈한 뒤, 뇌 영역(BAP>0.95)만 포함하도록 필터링하였다. 피험자당 약 6,000개의 패치를 확보했으며, 테스트용 패치는 5픽셀 간격으로 규칙적으로 추출했다. leave‑one‑out 교차검증을 적용해, 한 피험자를 제외한 19명의 데이터를 훈련·검증 세트(15:4)로 나누고, Gaussian 노이즈를 추가해 과적합을 방지하였다. 손실 함수는 메인 출력과 보조 출력(RMSE)의 가중합이며, 보조 출력에 0.2의 가중치를 부여했다. 최적화는 Adam(초기 학습률 1e‑4)으로 수행했으며, 학습률은 하이퍼볼릭 함수(lr(n)=tanh(1.8‑0.3n)+½(tanh1.5+1))에 따라 감소시켰다. 최대 10 epoch까지 학습했으며, 검증 손실이 3 epoch 연속 감소하지 않을 경우 조기 종료했다. 통계 분석은 두 단계로 진행되었다. 첫 번째는 ROI 평균값 기반으로, 각 ROI에서 SyMVF와 GenMVI의 평균값을 MTMVI와 비교해 절대오차(ΔSy, ΔGen)를 계산하고, Wilcoxon 부호‑순위 검정으로 차이를 검증했다. 또한, 20명·164 ROI=3,280개의 평균값을 이용해 피어슨 상관계수를 구했다. 두 번째는 픽셀‑단위 비교로, ROI별(피질 GM, 피질하 GM, WM, 전체 뇌) 픽셀을 추출해 SyMVF·GenMVI와 MTMVI 간의 픽셀‑별 피어슨 상관계수를 구하고, 각 피험자별 분포 차이를 Wilcoxon 검정으로 평가했다. 결과는 다음과 같다. ROI 평균값 비교에서 GenMVI와 MTMVI 간의 상관계수(R=0.86)는 SyMVF와 MTMVI 간의 R=0.77보다 현저히 높았다. 절대오차 ΔGen은 모든 영역에서 ΔSy보다 작았으며, 모든 차이가 P<0.001로 유의했다. 픽셀‑단위 비교에서도 GenMVI의 중간 상관계수는 0.80 이상으로, SyMVF(≤0.70)보다 우수했다. 특히, 시상하부와 같은 복잡한 구조에서도 GenMVI는 MTMVI와 강한 일치를 보였으며, corpus callosum ROI에서도 GenMVI(R≈0.56)가 SyMVF(R≈0.21)보다 유의하게 높았다(P<0.001). 논의에서는 CNN이 주변 픽셀 정보를 학습함으로써 기존 픽셀‑별 고정 매핑의 한계를 극복하고, 조직 특성을 반영한 보다 정확한 마이엘린 부피 지수를 제공한다는 점을 강조한다. 또한, 3T MRI와 표준 RSRI 프로토콜만으로도 적용 가능하므로 임상 현장에 바로 도입할 수 있는 잠재력을 지닌다. 한계점으로는 훈련 데이터가 정상인에 국한되어 병변이 있는 경우 일반화가 검증되지 않았으며, 네트워크가 비교적 얕아 복잡한 병리학적 변이를 포착하는 데 한계가 있을 수 있다. 향후 다중 병변 데이터와 더 깊은 네트워크, 멀티‑모달 입력을 통합하면 더욱 강인한 마이엘린 정량화 도구로 발전할 수 있다.