Singular Value Decomposition-Based Coil Combination Improves the Accuracy and Noise-Robustness of Quantitative Susceptibility Maps

기술 요약: 정량적 자화율 매핑을 위한 특이값 분해 기반 코일 결합

문제 정의
고자기장 MRI 스캐너는 신호 대 잡음비(SNR)를 높이고 병렬 영상 촬영을 가능하게 하기 위해 일반적으로 위상 배열(phased-array, PA) 코일을 사용한다. 그러나 최적의 신호 결합을 위해서는 각 코일의 복소수 형태의 공간적 민감도 프로파일(B1 맵)에 대한 지식이 필요하다. 이러한 프로파일은 균일한 민감도를 가진 참조 볼륨 코일을 통해 도출될 수 있으나, 특히 비임상용 스캐너와 같은 고자기장 시스템에서는 이러한 참조 코일을 사용할 수 없는 경우가 빈번하다. 결과적으로, 알고리즘은 PA 데이터로부터 직접 민감도 정보를 추정해야 한다. 기존 방법론은 두 가지 범주로 나뉜다: 복소 민감도 맵을 추정하는 방식(예: 적응형 코일 결합)과 위상 오프셋만을 추정하는 방식(예: 가상 참조 코일[VRC], ASPIRE, Hammond). 이러한 알고리즘들은 가정하는 바와 출력 품질 면에서 크게 다르다. 구체적으로, 적응형 방식은 저(low)-SNR 코일을 참조할 때 위상 이미지에서 "열린 끝단 프린지 라인(open-ended fringe lines)"을 유발할 수 있으며, 위상 매칭 알고리즘은 참조 지점에서 멀리 떨어진 영역에서 오류가 발생할 수 있다. 이러한 아티팩트는 입력된 크기(magnitude) 및 위상 정확도에 매우 민감한 다운스트림 정량적 자휘율 매핑(QSM)의 품질을 저하시킨다.

방법론
저자들은 물리적인 참조 코일 없이 배열 데이터로부터 코일 민감도를 직접 추정하는 특이값 분해(Singular Value Decomposition, SVD) 기반 알고리즘인 SVD-B1을 평가하였다.

• 이론적 기초: 이 방법은 코일 민감도가 작은 국소 이미지 영역($k_x \times k_y$) 내에서 일정하다고 가정한다. 영역에 대한 신호 모델은 이미지 신호와 코일 민감도의 선형 결합으로 공식화된다. 모든 코일의 복소수 신호로부터 데이터 행렬을 구성하고 SVD를 수행함으로써, 알고리즘은 코일 민감도 벡터에 대한 최소제곱 해를 도출한다. SVD에 내재된 스케일링 모호성을 해결하기 위해, 추정된 민감도의 위상은 국소적으로 도출된 합의 위상(첫 번째 좌측 특이 벡터의 평균 위상)에 참조된다.
• 확장: 병렬 영상 촬영 확장을 위해, 언더샘플링된 k-space 데이터를 처리할 수 있는 SVD-B1 GRAPPA가 개발되었다. 이 구성에서는 SVD 가정을 위반하는 에일리어싱(aliasing) 아티팩트를 피하기 위해, 재구성된 이미지가 아닌 자동 교정 스캔(ACS) 데이터로부터 민감도 맵을 추정한다.
• 실험 설계:
  • 데이터: 7T 스캐너와 32채널 헤드 코일을 사용하여 사후(postmortem) 인체 뇌와 건강한 생체 내(in-vivo) 피험자를 대상으로 영상을 촬영하였다.
  • 비교 대상: SVD-B1을 스캐너 고유의 적응형 결합, VRC, ASPIRE, 그리고 Hammond 알고리즘과 비교하였다.
  • 섭동(Perturbations): 연구에서는 점진적인 수준의 시뮬레이션 가우시안 노이즈(스케일링 계수 $S=5$ ~ $80$)를 도입하였으며, 다양한 병렬 영상 가속 계수($R=2, 3, 4, 2\times2$)를 테스트하였다.
  • 평가: QSM은 표준화된 SEPIA 파이프라인을 사용하여 생성되었다. 정확도와 견고성은 특정 관심 영역(ROI)에서 "단일 코일 참조"(해당 영역에서 가장 높은 SNR을 가진 코일)에 대한 급내 상관계수(Intraclass Correlation Coefficient, ICC)와 노이즈/가속 수준에 따른 일관성 측정을 통해 평가되었다. 관심 영역에는 흑질, 적핵, 창백핵, 그리고 피질척수로가 포함되었다.
• 핵ly 결과
• 아티팩트 감소: SVD-B1은 스캐너 생성 적응형 결합 및 기타 오프-스캐너 알고리즘에서 흔히 관찰되는 "열린 끝단 프린지 라인" 및 "웜홀 아티팩트"(크기 이미지에서의 신호 손실)가 없는 위상 이미지를 생성하였다.
• 노이즈 견고성:
  • 사후 데이터: 최대 노이즈 수준($S=40$)에서, SVD-B1 QSM은 단일 코일 참조 대비 다른 알고리즘보다 최대 13% 더 높은 일관성(높은 ICC-PA)과 최대 36% 더 높은 정확도(높은 ICC-RA)를 보였다.
  • 생체 내 데이터: 높은 노이즈 수준($S=80$)에서, SVD-B1 QSM은 다른 방법들보다 최대 3% 더 높은 일관성과 최대 8.5% 더 높은 정확도를 나타냈다.
  • 시각적 품질: SVD-B1의 크기 및 QSM 이미지는 ASPIRE, VRC, Hammond가 보여주는, QSM으로 오류를 전파시키는 스펙클링(speckling) 아티팩트와 달리 조직 경계 근처에서 시각적으로 훨씬 적은 노이즈를 유지하였다.
• 가속 견고성: 가속 획득(GRAPPA) 환경에서 SVD-B1 GRAPPA는 우수한 성능을 유지하였다. $R=2\times2$ 조건의 사후 데이터에서, SVD-B1 GRAPPA는 다른 방법들에 비해 가속 수준에 따른 일관성이 최대 31% 더 높았다. 또한 높은 가속 계수($R=4$)에서도 가장 정확한 QSM을 생성하였다.
• 통계적 유의성: 반복 측정 ANOVA 결과, 고노이즈 및 고가속 조건 하의 대부분의 관심 영역, 특히 창백핵과 피질척수로에서 SVD-B1 QSM이 다른 알고리즘과 유의미한 차이($p < 0.05$)를 보임을 확인하였다.

의의 및 주장
본 논문은 SVD-B1과 그 GRAPPA 확장이 참조 코일을 사용할 수 없거나 데이터가 노이즈가 많고 가속된 시나리오에서 기존의 코일 결합 방식에 대한 강력한 대안을 제공한다고 주장한다. 스케일링 모호성을 가진 적응형 결합과 전역적 참조 가정을 가진 위상 매칭 알고리즘을 피함으로써, SVD-B1은 위상 래핑(wraps)이 적고 배경 자기장 효과가 감소된 위상 이미지를 생성한다.

저자들은 이러한 개선이 미세한 조직 구조의 미묘한 변화를 포착하는 데 중요한 QSM의 감도를 높여준다고 단언하며, 이는 신경 퇴행성 질환 연구에 필수적이다. 또한, 가속에 대한 입증된 견고성은 SVD-B1이 고해상도 영상을 위한 정량적 정확도를 희생하지 않으면서 임상 현장에서의 스캔 시간을 단축하는 데 기여할 수 있음을 시사한다. 연구는 결론적으로 SVD-B1이 임상적으로 수용 가능한 스캔 시간 내에 고해상도 영상을 구현하기 위한 선호되는 알고리즘이라고 밝히면서도, "단일 코일 참조" 지표가 SNR 편향에 대한 내재적 한계를 가지고 있음을 언급하였다.