Predicting cortical signal mixing in coarse-resolution fMRI: a forward-operator analysis of surface mapping and the conditional benefit of correction

뇌의 시각 체계를 이해하기 위해 과학자들은 종종 기능적 자기공명영상, 즉 fMRI라고 불리는 기술을 사용합니다. 이 방법은 뉴런이 활성화될 때 발생하는 미세한 혈류 변화를 감지하여 뇌의 3차원 지도를 만듭니다. 하지만 뇌는 매끄럽고 평평한 표면이 아니라, 구겨진 종이처럼 깊게 접힌 조직의 시트 형태입니다. 데이터를 파악하기 위해 연구자들은 대개 이 3차원 이미지를 뇌 표면의 평면적인 2차원 지도로 투영합니다. 이는 시각 피질이 우리가 보는 세상을 어떻게 매핑하는지와 같이, 서로 다른 영역들이 어떻게 조직되어 있는지 파악하는 데 도움을 줍니다. 그러나 이 과정에는 결함이 있습니다. 뇌는 접혀 있기 때문에, 표면상으로는 멀리 떨어진 두 지점이 스캐너의 3차원 공간 내에서는 매우 가까이 위치할 수 있습니다. 스캐너가 사진을 찍을 때 특정 조직 블록을 포착하게 되는데, 만약 이 블록에 접힌 뇌의 서로 다른 두 부분이 포함되어 있다면 신호가 서로 뒤섞이게 됩니다. 이것은 마치 같은 주파수를 사용하여 방송 중인 두 개의 서로 다른 라디오 스테이션을 들으려고 하는 것과 같습니다; 그 결과는 어느 스테이션이 어느 것인지 구별하기 어려운 잡음 섞인 신호가 됩니다. 이러한 혼합 현상은 이미지가 완벽하게 선명하지 않을 때 더욱 악화되는데, 실제 스캐닝 상황에서는 흔히 발생하는 일입니다.

할릴 아지즈 벨리올루(Halil Aziz Velioğlu)라는 연구자는 뇌 지도에서 발생하는 이러한 신호 혼합 문제를 해결하기 위해 연구를 시작했습니다. 목표는 뇌의 한 부분에서 오는 신호가 얼마나 많은 양의 먼 곳의 접힌 부분으로부터 오염되는지를 정확히 파악하고, 이를 정화할 방법을 찾는 것이었습니다. 연구자는 앞을 내다보는 렌즈와 같은 역할을 하는 상세한 수학적 모델을 구축했습니다. 이 모델은 단순히 최종적인 흐릿한 결과물을 보는 대신, 스캐너의 물리적 특성과 뇌의 독특한 주름이 어떻게 신호를 흐리게 만드는지를 정확히 계산합니다. 이 모델은 뇌 표면의 모든 지점에 대해, 해당 지점의 신호 중 실제로 국소적인 조직이 아닌 멀리 떨어진 접힌 이웃으로부터 오는 신호가 얼마나 되는지를 예측합니다. 이 예측값을 "누설 지도(leakage map)"라고 부릅니다. 연구자는 이 지도를 사용하여 보정 방법을 만들었습니다. 모델에 기술된 혼합 과정을 역으로 수행함으로써, 이 방법은 실제 국소 신호와 먼 곳의 노이즈를 분리하려고 시도하며, 결과적으로 지도를 선명하게 하고 서로 다른 뇌 영역 사이의 대비를 회복시킵니다.

이 연구는 고해상도 7-테슬라(7-tesla) 스캐너로 촬영한 이미지와 표준 3-테슬라(3-tesla) 스캐너 이미지를 포함한 여러 대규모 공개 뇌 스캔 데이터 세트를 사용하여 이 아이디어를 테스트했습니다. 연구진은 먼저 자신들의 모델이 컴퓨터 시뮬레이션을 통해 이미지를 더 흐릿하게 만들었을 때 지도가 어떻게 변하는지를 정확하게 예측할 수 있는지 확인했습니다. 그 결과, 모델이 매우 정확하다는 것을 발견했습니다. 모델은 시각 피질의 깊은 홈과 같이 뇌가 촘리하게 접힌 영역에서 반대편의 신호가 국소 측정치로 상당량 누설된다는 점을 정확히 예측했습니다. 가장 선명한 이미지에서는 이 누설이 적었지만, 해상도를 낮추어 성능이 낮은 스캐너를 모사했을 때는 누설이 증가하여 일부 시뮬레이션에서는 뇌 표면의 최대 22%까지 영향을 미쳤습니다. 모델은 이러한 혼합이 단순한 흐림 현상이 아니라, 한쪽 접힘의 신호가 다른 쪽의 신호와 섞이는 특정한 오염이며, 이들은 종종 완전히 다른 시각적 세계를 나타낸다는 것을 보여주었습니다.

다음으로, 연구진은 자신들의 보정 방법이 실제로 지도를 개선할 수 있는지 테스트했습니다. 그들은 단순한 평활화(smoothing)나 평균화를 사용하는 기존의 뇌 이미지 처리 방식과 새로운 방법을 비교했습니다. 결과는 혼합이 강하게 일어날 때 새로운 방법이 가장 효과적이라는 것을 보여주었습니다. 고해상도 데이터에서 보정법은 특히 뇌가 촘촘하게 접힌 영역에서 지도의 오류를 눈에 띄게 줄였습니다. 이러한 개선은 뇌가 시야의 각도를 어떻게 매핑하는지를 관찰할 때 가장 뚜렷하게 나타났으며, 보정된 지도는 표준 방식보다 서로 다른 시야 사이의 경계를 훨씬 더 선명하게 유지했습니다. 또한 연구진은 보정의 이점이 시각 자극의 유형에 따라 달라진다는 것을 발견했습니다. 뇌가 접힌 뇌의 서로 다른 부분이 반대로 반응하게 만드는 패턴을 보여주었을 때 혼합 문제가 심각하게 나타났고 보정이 큰 도움이 되었던 반면, 자극이 접힌 먼 부분들을 동일한 방식으로 반응하게 했을 때는 혼합이 덜 해로웠으며 보정의 이점도 거의 없었습니다. 이는 문제가 단순히 흐릿함에 있는 것이 아니라, 서로 다른 뇌 영역들이 서로 혼동되는 특정한 방식에 있다는 것을 확인시켜 주었습니다.

연구진은 또한 이 보정법이 병원과 연구실에서 더 흔히 쓰이는 표준 3-테슬라 스캐너의 데이터에도 적용될 수 있는지 조사했습니다. 여기서 결과는 다소 엇갈렸습니다. 이미지가 두 배 더 흐릿해졌을 때는 보정법이 명확한 개선을 보여주며 표준 처리 과정에서 손실된 세부 사항을 회복하는 데 도움을 주었습니다. 그러나 이미지가 약간만 더 흐릿해진 경우에는 보정법이 단순한 방법들보다 확실한 이점을 제공하지 못했습니다. 이는 이 기술이 데이터가 상당히 거칠거나 뇌의 주름이 심한 혼합을 일으킬 때 가장 유용하다는 것을 시사합니다. 연구진은 또한 서로 다른 날에 촬영된 서로 다른 세션의 데이터에 대해서도 이 방법을 테스트했습니다. 이 경우, 뇌가 스캐너 내에 위치하는 방식이나 이미지가 처리되는 방식의 미세한 차이가 모델이 수정하려는 미세한 보정을 압도했기 때문에, 보정이 결과물을 일관되게 개선하지는 못했습니다.

가장 중요한 발견 중 하나는 연구진이 최종적인 뇌 활동을 보기 전에도 보정이 가장 도움이 될 곳을 예측할 수 있다는 것이었습니다. 뇌의 해부학적 지도와 시각 체계가 조직된 표준 아틀라스를 사용함으로써, 어떤 영역이 가장 많은 혼합을 겪을지 미리 추정할 수 있었습니다. 이는 향로에 과학자들이 환자의 뇌 스캔을 보고 해부학적 구조를 확인한 뒤, 이 보정을 적용하는 것이 추가적인 계산 시간을 들일 가치가 있는지 미리 결정할 수 있음을 의미합니다. 이 연구는 이전에 본 적 없는 세부 사항을 드러내는 "초고해상도(super-resolution)" 이미지를 만든다고 주장하는 것이 아닙니다. 대신, 스캐너의 물리 법칙과 뇌의 기하학적 구조를 이해함으로써 발생하는 혼합의 일부를 되돌릴 수 있음을 보여주었습니다. 이 방법이 모든 곳에서 완벽하게 작동하는 것은 아니며 뇌가 스캐너에 올바르게 위치되어 있어야 하지만, 표준적인 방법들이 어려움을 겪는 깊고 접힌 영역에서 뇌 지도를 정화하는 새로운 도구를 제공합니다.

연구는 스캐너의 한계로 인한 흐림 현상을 완전히 제거할 수는 없지만, 이를 모델링하여 상당 부분 빼낼 수 있다고 결론짓습니다. 보정은 뇌의 접힘이 서로 다르게 반응하는 먼 영역들을 가깝게 가져다 놓을 때, 그리고 이미지가 처음부터 너무 날카롭지 않을 때 가장 효과적입니다. 이러한 특정 상황에서 이 방법은 뇌가 어떻게 조직되어 있는지에 대한 더 명확한 그림을 회복합니다. 이 연구는 다른 과학자들이 자신의 데이터를 검토할 때 사용할 수 있는 도구와 지도를 제공합니다. 이는 모든 문제를 해결하는 것은 아니며 세심한 설정이 필요하지만, 표준적인 접근 방식이 너무 많은 신호를 섞어버리는 상황에서 정확성을 높일 수 있는 구체적인 방법을 제시합니다. 이 작업은 뇌의 기하학적 구조를 이해하는 것이 스캔에 사용되는 기술만큼이나 중요하다는 점을 강조하며, 때로는 뇌를 가장 명확하게 보는 방법이 뇌 자체의 모양으로 인해 발생하는 혼란을 수학적으로 되돌리는 것임을 보여줍니다.