SuCor: Susceptibility Distortion Correction via Parameter-Free and Self-Regularized Optimal Transport

1. 문제 정의 (Problem Definition)

• 배경: 공기와 조직의 경계면에서 발생하는 자기 감수성 (Magnetic Susceptibility) 차이는 공간적으로 변하는 $B_0$ 불균일성을 유발합니다.
• 현상: 확산 MRI 와 fMRI 에 널리 사용되는 EPI(Echo Planar Imaging) 시퀀스에서는 긴 읽기 시간 (readout) 동안 오프-공명 (off-resonance) 주파수가 위상을 누적시켜, 위상 인코딩 (Phase Encoding, PE) 방향을 따라 기하학적 왜곡 (geometric distortions) 을 발생시킵니다.
• 영향: 이는 국소적인 압축 또는 확장을 일으켜 신호 뭉침 (signal pile-up) 과 강도 변조를 초래하며, 정확한 해부학적 위치 특정, 교차 모달리티 등록, 그리고 tractography(연결성 추적) 나 군집 수준 fMRI 와 같은 하위 분석의 유효성을 해칩니다.
• 기존 방법의 한계: 가장 널리 쓰이는 FSL TOPUP은 반대 위상 인코딩 극성을 가진 두 EPI 이미지를 사용하여 왜곡을 보정하지만, B-스플라인 매개변수화된 장에 대한 비선형 최적화 (Levenberg-Marquardt 반복) 를 수행합니다. 이는 계산 비용이 높고 (수십 분~수 시간), 정규화 매개변수를 수동으로 조정해야 하는 번거로움이 있습니다.

2. 방법론 (Methodology)

저자들은 **1 차원 최적 수송 (Optimal Transport, OT)**을 기반으로 한 새로운 방법인 SuCor을 제안합니다.

2.1 문제 형식화

• 반대 위상 인코딩 극성 ($+$, $-$) 으로 획득된 두 EPI 볼륨 $I_+(x)$와 $I_-(x)$를 가정합니다.
• 왜곡되지 않은 이미지 $I_0$와 변위장 $u(x)$ 사이의 관계를 모델링하며, 국소적인 압축/확장에 의한 강도 변조는 야코비안 행렬식 항 $(1 \pm \partial_{PE}u)$으로 고려합니다.

2.2 열별 최적 수송 (Column-Wise Optimal Transport)

• 핵심 아이디어: 위상 인코딩 (PE) 방향의 고정된 열 (column) 에 대해, 반대 극성의 두 강도 프로파일은 동일한 기저 신호 질량이 $\pm u$만큼 이동한 것으로 간주됩니다.
• 수학적 접근: 각 열의 강도 분포를 단위 질량으로 정규화한 후, Wasserstein-2 거리 하에서 한 프로파일을 다른 프로파일로 매핑하는 최적 수송 맵 $T^*$을 계산합니다.
• 해: 1 차원 분포의 경우, 최적 수송 맵은 누적 분포 함수 (CDF) 를 이용한 양수 재배열 (quantile rearrangement) $T^* = F_b^{-1} \circ F_a$로 닫힌 형태 (closed-form) 로 구해집니다.
• 변위 계산: 각 볼륨의 바리센트릭 (Fréchet mean) 변위는 $u_0(t) = \frac{1}{2}(T^*(t) - t)$로 계산됩니다. 이 과정은 각 PE 열마다 독립적으로 수행되며 $O(N \log N)$ 시간 복잡도를 가집니다.

2.3 스펙트럼 굽힘 에너지 정규화 (Spectral Bending-Energy Regularization)

• 문제: 열별 독립 계산으로 인해 PE 방향과 수직인 방향에 열 모양의 줄무늬 (striations) 가 발생할 수 있습니다.
• 해결: 푸리에 (Fourier) 영역에서 굽힘 에너지 (bending-energy) 페널티를 적용하여 정규화합니다.
  • 정규화된 장 $\hat{u}_\lambda(k)$는 $\hat{u}_0(k) / (1 + \lambda |k|^4)$로 계산됩니다. 여기서 $|k|^4$는 얇은 판 (thin-plate) 굽힘 에너지에 해당합니다.

2.4 자동 매개변수 선택 (Automatic Parameter Selection)

• Morozov 불일치 원리 (Discrepancy Principle): 정규화 강도 $\lambda$를 수동으로 조정하지 않고 자동으로 선택합니다.
• 과정: 배경 볼륨에서 로버스트 MAD(Median Absolute Deviation) 추정기를 사용하여 노이즈 수준 $\sigma$를 추정하고, 목표 잔차 노름을 $\delta = \tau \cdot \sigma$ ($\tau=1.5$) 로 설정합니다.
• 최적화: 이분법 (bisection) 을 통해 $\|u_\lambda - u_0\| = \delta$를 만족하는 $\lambda$를 찾습니다. 이 과정은 매우 효율적입니다.

3. 주요 기여 (Key Contributions)

1. 매개변수 없는 자동화 (Parameter-Free): Morozov 불일치 원리를 통해 정규화 매개변수를 자동으로 결정하여, 사용자의 수동 튜닝이나 설정 파일 조정이 필요 없습니다.
2. 계산 효율성: 반복적인 비선형 최적화 대신 1 차원 OT 와 FFT 기반 정규화를 사용하여 단일 CPU 코어에서 약 12 초 내에 3D 보정이 완료됩니다 (TOPUP 대비 수백 배 빠름).
3. 정밀한 국소 보정: B-스플라인의 부드러운 근사 대신 OT 기반의 열별 정확한 매핑을 사용하여 조직 경계에서의 더 날카로운 왜곡 구조를 포착합니다.
4. 병렬화 용이성: 슬라이스 및 열 단위로 계산이 독립적이므로 병렬 처리에 매우 적합합니다.

4. 실험 결과 (Results)

데이터셋: Human Connectome Project (HCP) 의 1200 성인 데이터 (LR/RL b=0 EPI 쌍 및 T1 구조 이미지).

지표	Uncorrected	FSL TOPUP	SuCor (본 논문)
T1-MI (상호 정보)	0.284	0.317	0.341
LR-RL NCC (상관관계)	0.670	0.964	0.933
RMSE (오차)	2215	706	948
실행 시간	-	55 분	12 초

• 구조적 일치도 (T1-MI): SuCor 이 TOPUP 보다 **7.6% 높은 상호 정보 (0.341 vs 0.317)**를 기록하여, 보정 후 T1 구조 이미지와의 해부학적 일치도가 더 우수함을 입증했습니다. 특히 하부 뇌 영역 (z=27) 에서 왜곡이 심한 곳에서 큰 개선을 보였습니다.
• LR-RL 일관성: TOPUP 이 LR/RL 이미지 간의 일관성 (NCC) 과 오차 (RMSE) 측면에서 더 좋은 수치를 보였습니다. 이는 TOPUP 의 강한 글로벌 평활화 (smoothness) 사전 지식이 LR/RL 차이를 더 강하게 억압하기 때문으로 해석됩니다.
• 시각적 결과: SuCor 으로 보정된 이미지는 T1 참조 이미지와 매우 유사하며, 전두엽 및 측두엽 영역의 왜곡이 현저히 감소했습니다. 변위장 (displacement field) 분석에서 SuCor 은 조직 경계에서 더 날카로운 전이를 보존하는 반면, TOPUP 은 과도하게 평활화된 경향을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의: SuCor 은 최적 수송 이론을 MRI 왜곡 보정에 성공적으로 적용하여, 기존 반복 최적화 방식의 계산적 부담을 해결하면서도 해부학적 정확도를 높였습니다.
• 실용적 가치: 매개변수 조정 없이 **초고속 (12 초)**으로 고품질의 보정을 수행할 수 있어, 대규모 데이터셋 처리나 실시간 처리가 필요한 임상/연구 환경에 매우 유용합니다.
• 한계 및 향후 과제: SuCor 은 TOPUP 에 비해 LR-RL 일관성 지표가 다소 낮습니다. 이는 열별 변이의 잔여성 때문이며, 평활화 정도와 보정 정밀도 사이의 균형 (trade-off) 에 대한 추가 연구가 필요함을 시사합니다.

결론적으로, SuCor 은 매우 빠르고 자동화된 매개변수-free 접근법으로, 기존 TOPUP 대비 더 우수한 해부학적 정확도를 제공하며 EPI 기반 MRI 보정의 새로운 표준을 제시합니다.