Impact of Censoring on the Quality of Cortical Parcellations and Personalized TMS Targets

본 연구는 엄격한 운동 데이터 제거보다 완만한 제거 (lenient censoring) 전략이 개인별 뇌 피질 분할 및 개인 맞춤형 TMS 표적 선정의 품질을 더 잘 보존하여 고운동 환자에 대한 재촬영 필요성을 줄일 수 있음을 보여줍니다.

핵심

🧠 연구의 핵심: "뇌 사진 찍을 때, 흔들리면 다 버려야 할까?"

1. 문제 상황: 흔들리는 카메라
뇌를 촬영하는 fMRI(기능적 자기공명영상) 는 마치 아주 정밀한 카메라로 뇌의 활동을 찍는 것과 같습니다. 하지만 환자가 촬영 중 머리를 살짝만 움직여도 사진이 흐려지거나 왜곡됩니다. 이를 '운동 아티팩트 (Motion Artifact)'라고 합니다.

지금까지의 일반적인 규칙은 **"사진이 흔들리면 아예 그 부분을 잘라내거나 (Censoring), 흔들린 촬영을 아예 폐기하고 다시 찍으라"**는 것이었습니다. 마치 가족 여행 사진에서 흔들린 사진은 다 버리고, 흔들린 사진만 남은 날은 다시 여행을 가야 한다는 것과 비슷합니다.

2. 연구자들의 의문: "너무 많이 잘라내면 어떨까?"
연구자들은 의문을 가졌습니다. "흔들린 부분만 잘라내면, 그 안에 숨겨져 있던 **진짜 뇌의 정보 (유용한 신호)**까지 함께 버리게 되는 건 아닐까?"라고요. 너무 엄격하게 흔들린 부분을 잘라내면, 결국 뇌의 진짜 모습을 보여주는 데이터가 너무 부족해져서 오히려 뇌 지도를 잘못 그릴 수 있다는 것입니다.

3. 실험 방법: '완벽한 지도' vs '흔들린 지도'
연구진은 50 명의 건강한 성인에게 하루 종일 뇌를 스캔하는 '정밀 fMRI'를 진행했습니다.

• 진짜 지도 (Ground Truth): 흔들림이 거의 없는 깨끗한 데이터만 모아서 만든 '완벽한 뇌 지도'를 먼저 그렸습니다.
• 실험: 그다음, 나머지 데이터로 다양한 시나리오를 시뮬레이션했습니다.
  • 시나리오 A (엄격한 규칙): 흔들린 부분은 다 잘라내고, 흔들린 촬영은 버림.
  • 시나리오 B (관대한 규칙): 흔들린 부분도 조금만 다듬고, 흔들린 촬영도 다 남김.

4. 놀라운 결과: "조금 흔들려도 괜찮아, 다듬기만 하면 돼!"
결과는 매우 명확했습니다.

• 엄격한 규칙 (다 잘라내기): 흔들린 부분을 너무 많이 잘라내자, 뇌 지도의 정확도가 떨어졌습니다. 마치 지도의 중요한 구역을 다 잘라내서 남은 지도가 빈칸이 많아진 것과 같습니다.
• 관대한 규칙 (다듬기만 하기): 흔들린 부분도 버리지 않고, 약간의 노이즈만 제거한 채 남겼을 때, 오히려 '완벽한 지도'와 가장 비슷하게 뇌 지도가 그려졌습니다.

5. 임상적 의미: "다시 찍을 필요 없어!"
이 연구는 특히 **TMS(경두개 자기 자극 치료)**라는 우울증 치료법과 깊은 연관이 있습니다. TMS 는 환자의 뇌 지도를 보고 정확한 부위에 전기를 쏘는 치료입니다.

• 기존 생각: "환자가 촬영 중 머리를 많이 흔들었네? 아깝지만 그 데이터를 버리고 다시 오라고 해야겠다."
• 이 연구의 제안: "아니야, 그 흔들린 데이터도 적당히 다듬기만 하면 다시 쓸 수 있어! 다시 오게 하면 시간과 돈만 낭비야."

즉, 환자가 촬영 중 조금 흔들려도 다시 찍을 필요 없이, 그 데이터를 잘 처리하면 치료에 필요한 정확한 뇌 지도를 얻을 수 있다는 것입니다.

---

🎨 쉬운 비유로 정리하기

비유 1: 흐린 안경을 고치기

• 엄격한 규칙: 안경이 조금 흐려지면, 그 안경을 아예 버리고 새 안경을 사야 한다. (비용과 시간 낭비)
• 이 연구의 제안: 안경이 조금 흐려져도, 천으로 살짝 닦아주기만 하면 (관대한 처리) 선명하게 보일 수 있다. 아예 버릴 필요는 없다.

비유 2: 요리하기

• 엄격한 규칙: 스프에 작은 이물질이 섞이면, 그 스프 전체를 다 버리고 다시 만들어야 한다.
• 이 연구의 제안: 이물질을 건져내고, 조금만 걸러내면 (관대한 처리) 스프는 여전히 맛있게 먹을 수 있다. 전체를 버릴 필요는 없다.

---

💡 결론: "완벽함보다 실용함이 중요해"

이 연구는 **"완벽한 데이터만 찾아야 한다"는 강박에서 벗어나, "불완전한 데이터도 적절히 다듬으면 쓸모있다"**는 사실을 증명했습니다.

앞으로 뇌 질환 환자들이 TMS 치료를 받을 때, 촬영 중 머리를 조금 흔들었다고 해서 다시 오라는 부담을 덜 수 있게 되었습니다. 대신, 약간의 흔들림을 허용하되 꼼꼼하게 다듬는 (Lenient Censoring) 새로운 방식이 뇌 지도를 그리는 데 더 효과적이라는 것이 이 연구의 핵심 메시지입니다.

한 줄 요약:

"뇌 스캔할 때 머리가 조금 흔들려도, 다 버리지 말고 살짝 다듬기만 해도 정확한 치료 지도를 그릴 수 있다!"

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 머리 움직임 (Head Motion) 의 문제: 휴지기 기능적 MRI(rs-fMRI) 에서 머리 움직임은 기능적 연결성 (FC) 추정에 체계적인 편향을 일으키며, 미세한 움직임조차도 광범위한 아티팩트를 유발합니다.
• 기존 대응 전략의 한계: 현재 널리 사용되는 해결책은 고움직임 (high-motion) 볼륨을 제거 (Censoring) 하거나, 움직임이 심한 스캔 구간 (Run) 을 전체적으로 폐기하는 것입니다.
• 핵심 딜레마: 그러나 지나치게 엄격한 (Strict) 마스킹은 노이즈뿐만 아니라 의미 있는 신호까지 함께 제거할 수 있어, 기능적 연결성 추정을 오히려 저하시킬 수 있습니다. 또한, 엄격한 기준을 적용하면 많은 참가자의 데이터가 폐기되어 표본 대표성이 떨어지고, 임상적으로 환자를 다시 스캔해야 하는 비용과 시간이 발생합니다.
• 연구 목적: 개인별 피질 분할 (Cortical Parcellation) 과 개인 맞춤형 경두개 자기 자극 (TMS) 표적 선정과 같은 정밀 신경영상 (Precision Neuroimaging) 응용 분야에서, 다양한 마스킹 전략 (엄격함 vs. 관대함 vs. 폐기 여부) 이 결과의 질에 미치는 영향을 평가하는 것입니다.

2. 연구 방법론 (Methodology)

2.1 데이터 및 "Ground-Truth" 정의

• 데이터셋: 8 개의 정밀 fMRI 데이터셋 (HBNSSI, IPCAS6, Kirby, MSC, MyConnectome, NSD, Newbold, YaleTestRetest) 에서 총 50 명의 참가자 (건강한 성인, 각자 1 시간 이상의 rs-fMRI 데이터 보유) 를 분석 대상으로 선정했습니다.
• Ground-Truth (기준) 설정: 각 참가자의 데이터 중 움직임이 가장 적고 품질이 높은 구간 (엄격한 마스킹 후 총 1 시간 이상, 최소 3 세션) 을 선별하여 개인별 "실제 기준 (Ground-Truth)" 피질 분할 지도와 TMS 표적을 생성했습니다. 이는 Laumann et al. (2015) 등의 선행 연구를 기반으로 한 '실버 표준 (Silver-standard)' 접근법입니다.

2.2 시뮬레이션 및 실험 설계

• 시뮬레이션: Ground-Truth 로 사용되지 않은 나머지 데이터를 1 분 단위로 분할하여, 다양한 움직임 수준 (0-25%, 25-50%, 50-75%, 75-100% 마스킹 비율) 을 가진 10 분 또는 20 분 길이의 시뮬레이션 세션을 50 회 생성했습니다.
• 마스킹 전략 비교:
  1. 엄격한 마스킹 (Strict Censoring): FD > 0.08mm, DVARS > 50 기준. 마스킹 후 5 분 미만인 구간은 폐기.
  2. 관대/무마스킹 (Lenient/No Censoring): FD > 0.5mm, DVARS > 100 기준 또는 마스킹 없이 모든 데이터 유지.
  3. 혼합 세션 비교: 고움직임 구간 2 개 (무마스킹) vs. 저움직임 1 개 + 고움직임 1 개 (고움직임 폐기 후 엄격한 마스킹).

2.3 분석 지표

• 피질 분할 품질: 시뮬레이션 결과와 Ground-Truth 분할 지도 간의 Dice 계수 (높을수록 좋음).
• TMS 표적 품질: 시뮬레이션으로 추정된 TMS 표적과 Ground-Truth 표적 간의 유클리드 거리 (작을수록 좋음). TMS 표적은 Tree-based 알고리즘 (Kong et al., 2025) 과 Cone 알고리즘을 사용했습니다.
• 통계 분석: 선형 혼합 효과 모델 (LME) 을 사용하여 참가자 내 변이와 세션 간 의존성을 통제하며 통계적 유의성을 검정했습니다.

3. 주요 결과 (Key Results)

3.1 움직임 증가와 엄격한 마스킹의 부정적 영향

• 엄격한 마스킹을 적용했을 때, 움직임 수준이 높을수록 피질 분할의 정확도 (Dice 계수 감소) 와 TMS 표적의 정밀도 (거리 증가) 가 통계적으로 유의하게 저하되었습니다.

3.2 무마스킹 (No Censoring) 의 우위성

• 엄격한 마스킹 vs. 무마스킹: 동일한 움직임 수준에서 무마스킹 (또는 매우 관대한 마스킹) 이 엄격한 마스킹보다 Ground-Truth 와 더 유사한 분할 지도와 TMS 표적을 생성했습니다.
• 엄격한 마스킹은 네트워크 경계 부근에서 Ground-Truth 와의 불일치를 크게 증가시켰습니다.

3.3 고움직임 데이터의 유효성 (High-Motion Runs)

• 핵심 발견: 두 개의 고움직임 구간을 마스킹 없이 (또는 관대하게) 분석한 결과가, 한 개의 저움직임 구간과 한 개의 고움직임 구간을 엄격하게 마스킹하여 고움직임 구간을 폐기한 경우보다 동등하거나 더 우수한 품질을 보여주었습니다.
• 이는 고움직임 데이터 자체에 유의미한 개인별 정보가 포함되어 있음을 시사합니다.

3.4 관대 마스킹 (Lenient Censoring) 의 최적성

• FD 0.5mm, DVARS 100 과 같은 관대 마스킹 전략은 무마스킹과 유사하게 "Noise Ceiling(노이즈 한계)"에 근접한 최적의 결과를 제공했습니다.
• 반면, 엄격한 마스킹 (FD 0.08mm) 은 Ground-Truth 와의 거리가 가장 멀었습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 임상적 가이드라인 제시:

   • 개인 맞춤형 TMS 치료 시, 환자가 고움직임 데이터를 보인다고 해서 즉시 재스캔을 요구할 필요가 없습니다. 기존 고움직임 데이터를 관대하게 처리 (Lenient Censoring) 하고 폐기하지 않고 유지하는 것이 오히려 더 정확한 치료 표적을 제공합니다.
   • 이는 환자의 불편함 감소, 비용 절감, 치료 지연 방지에 기여합니다.

2. 이론적 통찰:

   • 기존의 엄격한 마스킹은 운동 아티팩트뿐만 아니라, 개인의 운동 성향과 관련된 안정적인 뇌 조직 특성 (Trait-level information) 까지 제거하여 개인별 분할의 정확도를 떨어뜨린다는 것을 입증했습니다.
   • QC-FC 상관관계 (Quality Control - Functional Connectivity correlation) 를 제거하는 것이 반드시 개인별 정밀 분석의 정확도를 높이는 것은 아님을 보여줍니다.

3. 방법론적 제안:

   • 정밀 신경영상 연구 및 임상 적용 시, FD 0.5mm, DVARS 100과 같은 관대 마스킹 기준을 적용하고 고움직임 구간을 폐기하지 않는 것을 권장합니다.

5. 결론

본 연구는 정밀 fMRI 데이터를 기반으로, 엄격한 마스킹과 고움직임 구간 폐기가 개인별 뇌 분할 및 TMS 표적의 정확도를 저하시킨다는 것을 입증했습니다. 대신, 관대하게 마스킹하고 모든 데이터를 활용하는 전략이 Ground-Truth 에 가장 근접한 결과를 제공하며, 이는 개인 맞춤형 TMS 및 정밀 신경영상의 임상적 효율성을 극대화하는 핵심 전략임을 제시합니다.