Block-Term Decomposition Approach to Blind Multi-trial Functional Ultrasound Unmixing

기술 요약: 블라인드 다중 시행 기능적 초음파 언믹싱을 위한 블록 항 분해 접근법

문제 정의
기능적 초음가(fUS)는 신경혈관 결합(NVC)을 통해 신경 활동을 추론하기 위해 뇌 혈류량 변화를 측정하는 고해외상 신경 영상 기법이다. 그러나 fUS 신호는 간접적인 관측치만을 제공하므로, 잠재적인 신경원 소스(latent neuronal sources)의 블라인드 분리와 이들의 혈역학적 반응 함수(HRF)에 대한 디컨볼루션(deconvolution) 과정이 필수적이다. 기존의 블라인드 언믹싱 방법들은 특히 다중 시행(multi-trial) 데이터를 다룰 때, 공간 맵, 시간적 활성화 신호, 그리고 혈역학적 반응 함수(HRF)를 공동으로 추정하는 데 어려움을 겪는 경우가 많으며, 시행 평균화(trial-averaging)가 생리학적 반응을 지나치게 단순화할 수 있다. 두 단계(two-step) 방식과 같은 이전의 접근법들은 시간적 시그니처 추정에서 디컨볼루션 단계로 이어지는 오차 전파(error propagation)의 위험이 있다. 또한, 일부 모델은 시행 변동성을 고려하지만, HRF 형태에 대한 생리학적 제약을 결여하거나 신경 영상에 내재된 공간 맵의 저계수(low-rank) 구조를 강제하지 못하는 경우가 많다.

방법론
저자들은 다중 시행 fUS 측정을 위해 설계된 데이터 주도형 convolutive Block-Term Decomposition (convBTD) 모델을 제안한다. 핵심 혁신은 NVC를 선형 시불변(LTI) 시스템으로 모델링하여, 측정된 신호를 구간 일정(piecewise-constant) 특성을 갖는 신경 활성화 신호와 시행 및 소스에 의존적인 HRF의 컨볼루션으로 모델링하는 것이다.

주요 모델링 특징은 다음과 같다:

1. 텐서 정식화: 다중 시행 데이터를 4차 텐서로 구성하고, 이를 $\mathbf{X} \in \mathbb{R}^{N_s \times N_t \times K}$인 3차 텐서로 재구성한다 (여기서 $N_s$는 픽셀 수, $N_t$는 시간 샘플 수, $K$는 시행 횟수이다).
2. 저계수 공간 구조: 공간 맵을 벡터화하는 표준 Convolutional CPD (convCPD)와 달리, 이 모델은 공간 맵($\mathbf{U}_r$)에 rank-$(L_r, L_r, 1)$ 구조를 강제한다. 이를 통해 각 소스의 공간 맵은 적은 수의 크로네커 곱(Kronecker products)의 합으로 표현될 수 있으며, 이는 다중 피험자 딕셔너리 학습 확률적 아틀라스 및 이전 fUS 연구들과 일치한다.
3. 생리학적 제약:
   • 공간 맵: 비음수성(non-negativity) 및 저계수(low-rank) 특성을 갖도록 제한된다.
   • 활성화 신호: 총 변동(Total Variation, TV) 정규화를 통해 구간 일정(piecewise-constant) 특성을 갖도록 강제된다.
   • HRF: 생리학적으로 타당한 감마 함수 형태(식 5)를 사용하여 모델링되며, 이를 통해 고정된 표준 HRF가 아닌 시행 및 소스에 따라 변화하는 가변성을 허용한다.
4. 최적화 프레임워크: 공동 추정 문제는 데이터 충실도(data fidelity) 항과 TV 정규화 항을 최소화하는 제약 최적화 문제로 설정된다. 솔루션은 변수($\mathbf{U}, \mathbf{Z}, \mathbf{H}$)를 **투영 경사 하강법(Projected Gradient Descent, PGD)**을 사용하여 교대로 업데이트하는 블록 좌표 하강법(Block Coordinate Descent, BCD) 알고리즘을 채택한다.
   • $\mathbf{U}$에 대한 업데이트는 비음수 직교 영역과 저계수 행렬 집합(절단된 SVD를 통해)으로의 교대 투영을 포함한다.
   • $\mathbf{H}$에 대한 업데이트는 HRF 매니폴드로의 투영을 위해 비선형 최소 제곱(Non-Linear Least Squares, NLS) 커브 피팅을 사용한다.
   • $\mathbf{Z}$에 대한 업데이트는 비매끄러운(non-smooth) TV 항을 처리하기 위해 근사 연산자(proximal operator)를 활용한다.

주요 기여
본 논문은 두 가지 주요 기여를 식별한다:

1. 이전 연구의 확장: 저자들은 [10]의 rank-$(L_r, L_r, 1)$ BTD 모델을 시행 및/또는 소스 의존적 HRF를 포함하는 더 현실적인 시나리오로 확장하였다. 결정적으로, 이들은 소스 분리와 디컨볼루션을 하나의 통합된 공동 최적화 프레임워크로 병합하여 오차 전파를 완화하였다.
2. convCPD 대비 구조적 및 생리학적 개선: shiftCPD 및 convolutional CPD (convCPD) 모델(예: [25])과 비교하여, 본 연구는 공간 맵을 벡터화하는 대신 공간 맵의 저계수 구조를 명시적으로 촉진한다. 또한, 시행 의존적 필터를 일반적인 희소 임펄스 응답으로 취급하는 대신, 감마 함수 형태의 HRF로 제한함으로써 이들에게 구체적인 생리학적 해석을 부여한다.

시뮬레이션 결과
저자들은 $R=2$개의 소스, $K=4$개의 시행, 그리고 -5 dB에서 20 dB까지 변화하는 SNR을 가진 합성 다중 시행 fUS 데이터를 사용하여 방법을 평가하였다.

• 공간 맵: 이 방법은 모든 SNR 수준에서 공간 맵을 회복하는 데 높은 정확도를 보였다. -5 dB에서 중앙값 상대 오차는 약 0.1이었으며, SNR이 증가함에 따라 감소하였다.
• 활성화 신호: 시간적 활성화 프로파일이 안정적으로 추정되었으나, 공간 맵에 비해 약간 높은 중앙값 오차(~0.2)를 보였다.
• HRF 추정: 저자들은 HRF 추정이 이 문제에서 가장 어려운 부분이라고 언급하였다. 중앙값 오차는 다른 구성 요소들과 유사(~0.2)했으나, 변동성(75 백분위수 및 이상치)은 현저히 높았다. 이는 한 요소(예: 활성화 타이밍)의 작은 변화가 데이터 적합성을 유지하면서 다른 요소(HRF 형태)의 반대되는 변화로 보상될 수 있는 디컨볼루션의 내재적 모호성 때문인 것으로 분석된다.
• 강건성: 방법론은 초기화에 대해 강건함을 보였으며, 실제 시나리오(정답지 없이 데이터 재구성 오차를 최소화하는 초기화 사용)에서의 성능이 오라클 최적 초기화(oracle-best initialization)를 사용했을 때보다 약간 낮은 수준에 그쳤다.

의의 및 주장
본 논문은 이 연구를 완전한 텐서 기반 블라인드 fUS 분해 방법론을 개발하기 위한 연구 프로젝트의 첫 단계로 규정한다. 저자들은 제안된 프레임워크가 다음을 성공적으로 입증했다고 겸허히 주장한다:

• 데이터 주도 방식으로 공간 맵, 활성화 신호, 시행 의존적 HRF를 공동으로 추정하는 것의 타당성.
• 다양한 노이즈 수준에서 공간 맵과 활성화 프로파일을 합리적인 정확도로 회복하는 능력.
• 공간 및 시간적 회복은 강건하지만, HRF 추정은 컨볼루션 모호성으로 인해 여전히 병목 구간임을 확인.

저자들은 현재 접근법이 소스의 수($R$)와 공간적 랭크($L_r$)를 사전에 알고 있다고 가정한다는 한계를 명시하며, 이는 향후 코어 일관성 진단(core consistency diagnostics) 또는 베이지안 추론을 통해 해결하고자 한다. 또한, 현재 연구는 단일 피험자 데이터에 집중하고 있으나, 적절한 해부학적 공동 등록(anatomical co-registration)을 통해 이 프레임워크를 다중 피험자 환경으로 확장할 수 있음을 언급하였다.