A bilinear inverse problem with forward operator inaccuracy applied to neonatal atlas-based diffuse optical tomography

1. 문제 정의 (Problem Statement)

• 배경: DOT 는 뇌의 혈역학적 변화 (HbO2, HbR, HbT 농도 변화) 를 비침습적으로 영상화하는 기능적 뇌 영상 기법입니다. 특히 신생아는 MRI 와 같은 해부학적 영상 촬영이 어렵거나 불편할 수 있어, 개별 환자의 해부학적 모델 대신 아틀라스 (Atlas) 기반의 평균 해부학 모델을 사용하여 전진 연산자 (민감도 프로파일 또는 야코비안 행렬) 를 생성하는 경우가 많습니다.
• 핵심 문제: 아틀라스 모델은 개별 신생아의 실제 두개골 형태와 뇌 내부 구조를 완벽하게 반영하지 못합니다. 이로 인해 전진 연산자에 **불확실성 (Inaccuracy)**이 발생하며, 이는 역문제 해법 (영상 재구성) 에서 심각한 왜곡과 해상도 저하를 초래합니다.
• 기존 접근법의 한계: 기존의 총최소제곱 (Total Least Squares) 이나 베이지안 근사 오차 방법 등은 전진 연산자의 불확실성을 통계적 사전 정보 (Prior) 로 명시적으로 모델링하여 역문제 해결 과정에 통합하는 데 한계가 있었습니다.

2. 방법론 (Methodology)

저자들은 전진 연산자의 불확확성을 이차원 (Bilinear) 역문제 프레임워크로 재정의하고 베이지안 역전환 (Bayesian Inversion) 기법을 적용했습니다.

A. 수학적 모델링

• 선형 결합 표현: 전진 연산자 $A$를 평균 행렬 $A_0$과 주성분 분석 (PCA) 을 통해 추출된 기저 행렬 $V_i$들의 선형 결합으로 표현합니다.
  $$A \approx A_0 + \sum_{i=1}^p y_i V_i$$
  여기서 $y_i$는 불확실성을 나타내는 미지의 계수 (PCA 계수) 입니다.
• 이차원 역문제: 원래의 선형 역문제 $Ax=b$가$(y, x)$에 대해 이차원 (Bilinear) 형태인 $A_0 x + A \cdot (y, x) = b$로 변환됩니다. 여기서 $x$는 재구성하려는 흡수 계수 변화 (영상 데이터), $y$는 전진 연산자의 보정 계수입니다.
• 베이지안 프레임워크: $x$와 $y$에 대해 가우시안 사전 분포를 가정하고, 결합 사후 확률 밀도 함수 (Joint Posterior) 를 유도합니다.

B. 최적화 및 추정 알고리즘

이차원 역문제는 목적 함수가 비볼록 (Non-convex) 하여 국소 최소값 (Local Minima) 문제가 발생할 수 있습니다. 이를 해결하기 위해 세 가지 알고리즘을 제안했습니다.

1. 블록 좌표 강하법 (Block Coordinate Descent, BCD): $x$와 $y$를 번갈아 가며 고정하고 최적화하는 반복 알고리즘.
2. 가우스 - 뉴턴법 (Gauss-Newton, G-N): 비선형 항을 선형화하여 국소 최소값을 찾는 방법. Woodbury 행렬 항등식을 활용하여 계산 효율성을 높였습니다.
3. 기브스 샘플링 (Gibbs Sampler): 결합 사후 분포에서 $x$와 $y$를 교차로 샘플링하여 조건부 평균 (Conditional Mean, CM) 추정을 수행하는 MCMC 기법.

C. 실험 설정

• 데이터: UCL 인간 연결체 프로젝트 (dHCP) 의 215 개 신생아 뇌 모델 데이터베이스 사용.
• 등록 (Registration): 214 개의 아틀라스 모델을 선형 등록 (Linear Registration) 하여 하나의 기준 두개골 형태에 맞춘 후, 각 모델별 야코비안을 시뮬레이션 (MCX 소프트웨어, 100 억 광자 패킷) 하여 아틀라스를 구성했습니다.
• PCA: 각 측정 (광원 - 검출기 쌍) 에 대한 야코비안 행렬의 행 (Row-wise) 에 대해 PCA 를 수행하여 주성분 (PC) 기저를 생성했습니다.
• 시나리오: 다양한 주산기 연령 (29~44 주) 의 신생아를 대상으로 시뮬레이션된 혈역학적 활동 (흡수 계수 변화) 을 재구성하는 실험을 수행했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 주요 기여

1. 전진 연산자 불확실성의 명시적 통합: 아틀라스 기반 DOT 에서 발생하는 해부학적 오차를 단순히 노이즈로 처리하는 것이 아니라, PCA 기반의 이차원 역문제 프레임워크로 모델링하여 재구성 과정 자체에서 보정할 수 있음을 증명했습니다.
2. 효율적인 알고리즘 개발: 대규모 DOT 문제 (수만 개의 픽셀) 에 적용 가능한 G-N, BCD, Gibbs 샘플링 알고리즘을 구현하고 비교 분석했습니다.
3. 실증적 검증: 실제 신생아 두개골 형태의 다양성을 고려한 대규모 시뮬레이션 데이터를 통해 알고리즘의 유효성을 검증했습니다.

B. 실험 결과

• 영상 품질 향상:
  • 평균 야코비안 (Mean Jacobian) 대비 개선: 기존 아틀라스 평균 모델을 사용한 재구성에 비해, 제안된 알고리즘 (특히 G-N 및 Gibbs) 은 **대조도 - 대 잡음비 (CNR)**를 크게 향상시키고 **평균 제곱근 오차 (RMSE)**를 감소시켰습니다.
  • 공간적 정확도: 재구성된 혈역학적 활동의 위치 (Spatial Localization) 가 더 정확하게 추정되었으며, 배경의 진동 (Oscillations) 이 줄어든 부드러운 영상을 얻을 수 있었습니다.
• 알고리즘 비교:
  • G-N 알고리즘: 가장 빠른 수렴 속도를 보였으며 (약 35 초, 1mm 해상도), 국소 최소값에 수렴하지만 평균 모델 대비 명확한 개선을 보였습니다.
  • Gibbs 샘플링: 전역 최적점에 더 가까운 해를 제공하여 가장 높은 CNR 과 낮은 오차를 보였으나, 수백만 번의 반복이 필요해 계산 비용이 매우 높았습니다.
  • BCD: G-N 보다 훨씬 많은 반복이 필요하여 실용성이 낮았습니다.
• PCA 계수 추정: 알고리즘이 전진 연산자의 정확한 PCA 계수 ($y$) 를 완벽하게 복원하지는 못했으나, 계수들을 조정함으로써 전진 모델의 오차로 인한 재구성 아티팩트를 효과적으로 줄일 수 있었습니다.

4. 의의 및 결론 (Significance & Conclusion)

• 임상적 의의: 신생아 DOT 연구에서 개별 환자의 MRI 가 unavailable 한 상황에서도, 아틀라스 데이터베이스를 효과적으로 활용하여 해부학적 불확실성을 보정하고 고품질의 기능적 뇌 영상을 얻을 수 있는 가능성을 제시했습니다.
• 방법론적 의의: 비선형/이차원 역문제를 베이지안 프레임워크와 결합하여 전진 연산자의 불확실성을 해결하는 새로운 패러다임을 제시했습니다. 이는 의료 영상뿐만 아니라 다른 불확실한 전진 연산자를 가진 역문제에도 적용 가능한 통찰을 제공합니다.
• 한계 및 향후 과제: 알고리즘이 국소 최소값에 갇힐 수 있으며, Gibbs 샘플링의 높은 계산 비용이 실용적 장벽입니다. 향후 전역 최적화 기법 개발이나 계산 효율성을 높이는 연구가 필요하며, 실제 임상 데이터에서의 검증이 뒤따라야 합니다.

요약하자면, 이 논문은 신생아 DOT 의 아틀라스 기반 모델링 오차를 PCA 기반 이차원 역문제로 변환하고, 다양한 최적화 알고리즘을 통해 재구성 정확도를 획기적으로 개선하는 성공적인 사례를 보고한 연구입니다.