확산 MRI(자기공명영상)를 활용한 조직 미세구조 파라미터 추정에서 머신러닝 훈련 데이터와 실제 획득 신호 사이의 노이즈 특성 불일치가 체계적 편향을 유발한다는 연구가 arXiv에 발표됐다. 연구팀은 훈련과 추론 시 입력 신호 분포가 달라지는 공변량 이동(covariate shift) 문제를 핵심 원인으로 규명하고, 이를 완화하는 현실적 노이즈 합성(RNS) 프레임워크를 제안했다. 실험은 실린더-제플린 모델과 SANDI 모델을 사용해 시뮬레이션 및 실생체 확산 데이터에서 수행됐다.
확산 MRI는 생체 내 조직 미세구조를 비침습적으로 측정하는 기술이지만 노이즈에 민감하다. 시뮬레이션 데이터로 훈련된 지도 학습 모델은 훈련 신호와 실제 획득 신호의 노이즈 통계가 다를 때 SNR(신호 대 잡음비) 의존적 편향을 나타낸다. 특히 낮은 SNR 환경, 즉 높은 b값이나 고공간해상도 촬영 조건에서 이 편향이 두드러진다. 연구팀은 크기 유도 노이즈 효과를 훈련 중 무시하면 체계적이고 SNR 의존적인 파라미터 편향이 발생함을 실증했다.
제안된 RNS 프레임워크는 리시안(Rician) 기대값과 전처리 후 유효 노이즈 분산을 시뮬레이션 훈련 신호에 통합한다. 리시안 기대값은 MPPCA로 추정한 노이즈 표준편차를 이용해 모델링하고, 유효 표준편차는 전처리 데이터의 구면 조화 잔차에서 도출한다. 실험 결과 리시안 기대값 적용만으로도 편향이 노이즈 인식 비선형 최소제곱 피팅 수준으로 감소했으며, 유효 표준편차 모델링을 추가하면 정밀도가 더욱 향상됐다. 방법 성능은 회귀 아키텍처에 크게 의존하지 않았으나 노이즈 정확한 추정에는 민감했다.
이 연구는 지도 학습 기반 미세구조 추정에서 현실적 노이즈 모델링이 신호 도메인 공변량 이동 완화에 필수적임을 보여준다. 임상 MRI에서 고공간해상도 또는 고b값 촬영이 확산되는 추세를 고려할 때, 낮은 SNR 환경에서 발생하는 편향 문제는 실용적으로 중요한 과제다. RNS 접근법은 기존 지도 학습 파이프라인에 아키텍처 변경 없이 통합될 수 있어, 임상 및 연구 환경에서의 확산 MRI 파라미터 추정 신뢰성을 높이는 실용적 방향을 제시한다.
