본 연구에서는 피질(cortical) 형태 대응(correspondence) 설정을 위해 고안된 새로운 학습 기반 구면(spherical) 등록(registration) 방법인 SPHARM-Reg를 제안한다. SPHARM-Reg의 목표는 하위 형태 분석(downstream shape analyses)에서 편향(biases)을 유발할 수 있는 워프 왜곡(warp distortion)을 감소시키는 것이다. 이를 위해 두 가지 핵심 과제—(1) 강체(rigid) 및 비강체(non-rigid) 정렬의 동시 수행, (2) 회전 보존(rotation-preserving) 매끄러움(smoothing)—를 다룬다. 기존의 접근법은 비강체 정렬 전에 단 한 번의 강체 정렬만을 수행한다. 그로 인해 산출되는 회전은 잠재적으로 최적이 아니며, 이후의 비강체 정렬이 불필요한 왜곡을 도입할 수 있다. 또한 단위 구(unit sphere)에서 흔히 사용되는 속도 인코딩(velocity encoding) 방식은 공간적 매끄러움으로 속도를 평활화한 후 회전 성분을 보존하지 못하는 경우가 많다. 이러한 문제를 해결하기 위해, 속도장(velocity field)에 대한 구면 고조파(spherical harmonic) 분해를 통합하고 새로운 속도 인코딩 방식을 제안하는 미분동형(diffeomorphic) 프레임워크를 제안한다. SPHARM-Reg는 속도장의 고조파 성분을 최적화하여 강체 및 비강체 정렬 모두에 대한 동시 조정을 가능하게 한다. 더 나아가, 구면 함수를 사용하는 제안 인코딩 방식은 회전 성분을 보존하는 일관된 매끄러움을 유도한다. 실험에서는 건강한 성인 데이터셋을 대상으로 SPHARM-Reg를 검증하였다. SPHARM-Reg는 기존 방법에 비해 등록 정확도(registration accuracy)를 높은 수준으로 유지하면서도 워프 왜곡을 실질적으로 감소시킨다. 임상 분석에서는, 워프 왜곡의 정도가 통계적 유의성(statistical significance)에 유의미한 영향을 미침을 보여준다.

피질 고랑(cortical sulci)의 식별은 피질의 기능적 및 구조적 발달을 이해하는 데 핵심이다. 대부분의 연구에서 크고 일관된 고랑(또는 일차/이차 고랑)에 상당한 주의를 기울여 왔지만, 더 작고 변이가 큰 고랑(또는 추정되는 삼차 고랑, putative tertiary sulci)에 대한 탐색은 상대적으로 덜 연구되어 있다. 그 중요성에도 불구하고, 피질 고랑의 자동 라벨링은 (1) 실질적인 해부학적 변이의 존재, (2) 라벨이 없는 영역에 비해 관심영역(ROI)의 상대적으로 작은 크기, 그리고 (3) 주석된 라벨의 부족으로 인해 어렵다. 본 논문에서는 구면 합성곱 신경망(CNN)을 사용하는 새로운 종단간(end-to-end) 학습 프레임워크를 제안한다. 구체적으로, 제안된 방법은 학습된 변형(warping)이 고랑 라벨링을 용이하게 하는 방향으로 기하학적 특징을 효과적으로 왜곡(warp)하는 법을 학습하되, 해부학적 변이의 영향을 완화한다. 또한, 학습된 워핑에 의해 유도된 변형의 정도를 고려하는 유도된(attention) 메커니즘을 도입한다. 이는 변별적인 특징을 추출하여 고랑 ROI를 강조하는 한편, 라벨이 없는 영역의 관련 없는 정보를 억제한다. 실험에서는 후방 내측 피질(posterior medial cortex)의 8개 고랑에 대해 제안된 방법을 평가한다. 본 방법은 특히 추정되는 삼차 고랑에서 기존 방법들보다 성능이 우수하다. 코드는 https://github.com/Shape-Lab/DSPHARM-Net 에서 공개되어 있다.

선조체(striatum)는 이 부위에 대한 주요 손상과 운동 증상의 핵심적 역할 때문에 전통적으로 헌팅턴병 연구의 중심 대상이 되어 왔다. 선조체를 넘어, 헌팅턴병으로 인한 피질(cortex) 변화의 증거가 나타나고 있다. 그러나 헌팅턴병에서 피질 두께(cortical thickness)를 사용한 연구들 간에는 결과가 일관되지 않는데, 이는 다른 질환들에서 관심의 대상으로 잘 확립된 피질의 지표이기 때문이다. 본 연구에서는 피질 두께, 고랑(sulcal depth) 깊이, 국소 뇌회(回) 지수(local gyrification index)를 사용하여 헌팅턴병에서의 피질 형태를 보다 포괄적으로 평가하는 접근을 제안한다. 연구 결과는 피질 두께에서의 기존 결과, 그리고 그 한계와의 일관성을 보여주었다. 피질 두께와 국소 뇌회 지수 간의 비교는 이 두 지표가 서로 보완적임을 강조한다. 즉, 피질 두께는 감각운동 및 후방 영역의 변화를 탐지하는 반면, 국소 뇌회 지수는 섬엽(insular) 차이를 식별한다. 국소 뇌회 지수와 피질 두께는 서로 다른 영역에서 변화를 탐지하므로, 이 두 지표를 함께 사용하면 질병 진행을 임상적으로 관련 있게 측정하는 데 기여할 수 있다. 본 연구는 섬엽 영역의 차이가 더 이른 신경퇴행과 관련될 수 있으며, 헌팅턴병으로 인한 미세한 초기 피질 변화를 탐지하기 위한 보완적 피질 지표를 제공할 수 있음을 시사한다.

우리는 대뇌 피질 분할(cortical parcellation)을 위한 구면 조화(spherical harmonics) 기반 합성곱 신경망(CNN)을 제안하며, 이를 SPHARM-Net이라 한다. 최근 CNN의 발전은 피질의 세밀한 삼각 메쉬(triangle mesh) 상에서의 피질 분할을 가능하게 했다. 그러나 피질 분할을 위해 설계된 대부분의 CNN은 광범위한 데이터 증강(data augmentation)에 의존하는 공간 합성곱을 사용하며, 특정 구면 분할(spherical tessellation)에서 사전에 정의된 이웃(neighborhood)만을 허용한다. 반면, 회전 등변(rotation-equivariant) 합성곱 필터는 데이터 증강을 회피할 수 있고, 회전 등변성은 이웃 정의에 독립적인 방식으로 스펙트럴 합성곱(spectral convolution)에서 구현될 수 있다. 그럼에도 불구하고, 현대 기계의 제한된 자원으로 인해 사용할 수 있는 스펙트럴 성분은 유한한 집합에 그치며, 이는 기하학적 세부 정보를 손실할 가능성이 있다. 본 논문에서는 (1) 무한한 집합의 스펙트럴 성분을 지원하는 제약된 구면 합성곱 필터와 (2) 데이터 증강 없이 end-to-end 방식의 프레임워크를 제안한다. 제안된 필터는 구면 조화(spherical harmonics)의 전체 전개(full expansion) 없이도 모든 스펙트럴 성분을 인코딩한다. 우리는 회전 등변성이 정확한 피질 분할을 달성하면서 학습 시간을 현저히 감소시킨다는 것을 보인다. 또한 제안된 합성곱은 행렬 변환(matrix transformations)으로 완전히 구성되어 있어 효율적이고 신속한 스펙트럴 처리가 가능하다. 실험에서는 수동 라벨을 가진 두 개의 공개 데이터셋에서 SPHARM-Net을 검증하였다: Mindboggle-101(N=101)과 NAMIC(N=39). 실험 결과는 제안된 방법이, 엄밀한 정렬(rigid alignment)과 데이터 증강 없이도 더 적은 수의 학습 가능 파라미터만으로 두 데이터셋 모두에서 최신(state-of-the-art) 방법들보다 우수함을 보여준다. 우리의 코드는 https://github.com/Shape-Lab/SPHARM-Net 에서 공개되어 있다.

본 연구에서는 피질(cortical) 형태 대응(correspondence) 설정을 위해 고안된 새로운 학습 기반 구면(spherical) 등록(registration) 방법인 SPHARM-Reg를 제안한다. SPHARM-Reg의 목표는 하위 형태 분석(downstream shape analyses)에서 편향(biases)을 유발할 수 있는 워프 왜곡(warp distortion)을 감소시키는 것이다. 이를 위해 두 가지 핵심 과제—(1) 강체(rigid) 및 비강체(non-rigid) 정렬의 동시 수행, (2) 회전 보존(rotation-preserving) 매끄러움(smoothing)—를 다룬다. 기존의 접근법은 비강체 정렬 전에 단 한 번의 강체 정렬만을 수행한다. 그로 인해 산출되는 회전은 잠재적으로 최적이 아니며, 이후의 비강체 정렬이 불필요한 왜곡을 도입할 수 있다. 또한 단위 구(unit sphere)에서 흔히 사용되는 속도 인코딩(velocity encoding) 방식은 공간적 매끄러움으로 속도를 평활화한 후 회전 성분을 보존하지 못하는 경우가 많다. 이러한 문제를 해결하기 위해, 속도장(velocity field)에 대한 구면 고조파(spherical harmonic) 분해를 통합하고 새로운 속도 인코딩 방식을 제안하는 미분동형(diffeomorphic) 프레임워크를 제안한다. SPHARM-Reg는 속도장의 고조파 성분을 최적화하여 강체 및 비강체 정렬 모두에 대한 동시 조정을 가능하게 한다. 더 나아가, 구면 함수를 사용하는 제안 인코딩 방식은 회전 성분을 보존하는 일관된 매끄러움을 유도한다. 실험에서는 건강한 성인 데이터셋을 대상으로 SPHARM-Reg를 검증하였다. SPHARM-Reg는 기존 방법에 비해 등록 정확도(registration accuracy)를 높은 수준으로 유지하면서도 워프 왜곡을 실질적으로 감소시킨다. 임상 분석에서는, 워프 왜곡의 정도가 통계적 유의성(statistical significance)에 유의미한 영향을 미침을 보여준다.

피질 고랑(cortical sulci)의 식별은 피질의 기능적 및 구조적 발달을 이해하는 데 핵심이다. 대부분의 연구에서 크고 일관된 고랑(또는 일차/이차 고랑)에 상당한 주의를 기울여 왔지만, 더 작고 변이가 큰 고랑(또는 추정되는 삼차 고랑, putative tertiary sulci)에 대한 탐색은 상대적으로 덜 연구되어 있다. 그 중요성에도 불구하고, 피질 고랑의 자동 라벨링은 (1) 실질적인 해부학적 변이의 존재, (2) 라벨이 없는 영역에 비해 관심영역(ROI)의 상대적으로 작은 크기, 그리고 (3) 주석된 라벨의 부족으로 인해 어렵다. 본 논문에서는 구면 합성곱 신경망(CNN)을 사용하는 새로운 종단간(end-to-end) 학습 프레임워크를 제안한다. 구체적으로, 제안된 방법은 학습된 변형(warping)이 고랑 라벨링을 용이하게 하는 방향으로 기하학적 특징을 효과적으로 왜곡(warp)하는 법을 학습하되, 해부학적 변이의 영향을 완화한다. 또한, 학습된 워핑에 의해 유도된 변형의 정도를 고려하는 유도된(attention) 메커니즘을 도입한다. 이는 변별적인 특징을 추출하여 고랑 ROI를 강조하는 한편, 라벨이 없는 영역의 관련 없는 정보를 억제한다. 실험에서는 후방 내측 피질(posterior medial cortex)의 8개 고랑에 대해 제안된 방법을 평가한다. 본 방법은 특히 추정되는 삼차 고랑에서 기존 방법들보다 성능이 우수하다. 코드는 https://github.com/Shape-Lab/DSPHARM-Net 에서 공개되어 있다.

선조체(striatum)는 이 부위에 대한 주요 손상과 운동 증상의 핵심적 역할 때문에 전통적으로 헌팅턴병 연구의 중심 대상이 되어 왔다. 선조체를 넘어, 헌팅턴병으로 인한 피질(cortex) 변화의 증거가 나타나고 있다. 그러나 헌팅턴병에서 피질 두께(cortical thickness)를 사용한 연구들 간에는 결과가 일관되지 않는데, 이는 다른 질환들에서 관심의 대상으로 잘 확립된 피질의 지표이기 때문이다. 본 연구에서는 피질 두께, 고랑(sulcal depth) 깊이, 국소 뇌회(回) 지수(local gyrification index)를 사용하여 헌팅턴병에서의 피질 형태를 보다 포괄적으로 평가하는 접근을 제안한다. 연구 결과는 피질 두께에서의 기존 결과, 그리고 그 한계와의 일관성을 보여주었다. 피질 두께와 국소 뇌회 지수 간의 비교는 이 두 지표가 서로 보완적임을 강조한다. 즉, 피질 두께는 감각운동 및 후방 영역의 변화를 탐지하는 반면, 국소 뇌회 지수는 섬엽(insular) 차이를 식별한다. 국소 뇌회 지수와 피질 두께는 서로 다른 영역에서 변화를 탐지하므로, 이 두 지표를 함께 사용하면 질병 진행을 임상적으로 관련 있게 측정하는 데 기여할 수 있다. 본 연구는 섬엽 영역의 차이가 더 이른 신경퇴행과 관련될 수 있으며, 헌팅턴병으로 인한 미세한 초기 피질 변화를 탐지하기 위한 보완적 피질 지표를 제공할 수 있음을 시사한다.

우리는 대뇌 피질 분할(cortical parcellation)을 위한 구면 조화(spherical harmonics) 기반 합성곱 신경망(CNN)을 제안하며, 이를 SPHARM-Net이라 한다. 최근 CNN의 발전은 피질의 세밀한 삼각 메쉬(triangle mesh) 상에서의 피질 분할을 가능하게 했다. 그러나 피질 분할을 위해 설계된 대부분의 CNN은 광범위한 데이터 증강(data augmentation)에 의존하는 공간 합성곱을 사용하며, 특정 구면 분할(spherical tessellation)에서 사전에 정의된 이웃(neighborhood)만을 허용한다. 반면, 회전 등변(rotation-equivariant) 합성곱 필터는 데이터 증강을 회피할 수 있고, 회전 등변성은 이웃 정의에 독립적인 방식으로 스펙트럴 합성곱(spectral convolution)에서 구현될 수 있다. 그럼에도 불구하고, 현대 기계의 제한된 자원으로 인해 사용할 수 있는 스펙트럴 성분은 유한한 집합에 그치며, 이는 기하학적 세부 정보를 손실할 가능성이 있다. 본 논문에서는 (1) 무한한 집합의 스펙트럴 성분을 지원하는 제약된 구면 합성곱 필터와 (2) 데이터 증강 없이 end-to-end 방식의 프레임워크를 제안한다. 제안된 필터는 구면 조화(spherical harmonics)의 전체 전개(full expansion) 없이도 모든 스펙트럴 성분을 인코딩한다. 우리는 회전 등변성이 정확한 피질 분할을 달성하면서 학습 시간을 현저히 감소시킨다는 것을 보인다. 또한 제안된 합성곱은 행렬 변환(matrix transformations)으로 완전히 구성되어 있어 효율적이고 신속한 스펙트럴 처리가 가능하다. 실험에서는 수동 라벨을 가진 두 개의 공개 데이터셋에서 SPHARM-Net을 검증하였다: Mindboggle-101(N=101)과 NAMIC(N=39). 실험 결과는 제안된 방법이, 엄밀한 정렬(rigid alignment)과 데이터 증강 없이도 더 적은 수의 학습 가능 파라미터만으로 두 데이터셋 모두에서 최신(state-of-the-art) 방법들보다 우수함을 보여준다. 우리의 코드는 https://github.com/Shape-Lab/SPHARM-Net 에서 공개되어 있다.

기능적 자기공명영상(fMRI)을 이용해 인간 뇌를 연구한 다수의 연구들이 생리학적 측정을 포함하지 않으며, 이는 fMRI 연구의 해석과 풍부함에 상당한 영향을 미친다. 호흡 및 심박수와 같은 자율신경 생리의 자연스러운 변동은 인지, 감정, 건강을 포함한 핵심 기능에 대한 창을 제공하며, fMRI 신호에 큰 영향을 줄 수 있다. 본 연구에서는 전 뇌 fMRI 역학으로부터 호흡 진폭과 심박수의 연속적인 변화를 직접 해독하는, 장단기기억(Long-Short-Term-Memory, LSTM) 기반 네트워크인 DeepPhysioRecon을 개발하였다. 체계적인 평가를 통해 이 접근법의 일반화 가능성을 서로 다른 데이터셋과 실험 조건 전반에 걸쳐 조사한다. 또한 이러한 측정을 fMRI 분석에 포함하는 것의 중요성을 시연한다. 본 연구는 뇌-신체 상호작용을 연구하는 것의 중요성을 강조하고, fMRI를 바이오마커로서 더 효과적으로 활용하는 데 기여할 수 있는 도구를 제안하며, 널리 적용 가능한 오픈소스 소프트웨어를 제공한다.

목적: 알츠하이머병(AD) 환자에서 피질 두께(CT), 고랑 깊이(SD), 국소 이랑굴곡 지수(LGI)와 인지 점수 간의 상관관계를 조사하고자 하였다. 방법: < 0.01. 결과: 평균 연령 73.7세, 평균 MMSE 점수 23.8점인 환자들이 분석에 포함되었다. 여러 뇌 영역의 피질 형태 특징은 연령, 성별 및 교육 연한을 보정한 후 MMSE 점수와 유의한 상관관계를 보였다. 그중에서 해마근처이랑(parahippocampal gyrus)과 방추이랑(fusiform gyrus)의 SD와 LGI는 MMSE와 양의 상관관계를 나타냈다. 집행기능에 대해서는 SD가 좌측 하전전두회(left inferior frontal gyrus) 및 안와전전두회(orbitofrontal gyrus)에서의 상관관계를 보였다. 언어 기능과 관련해서는 CT가 상측 측두회(superior temporal gyrus)와 같은 영역과 연관되었으며, SD는 좌측 각회(left supramarginal gyrus)와의 상관관계를 보였다. 결론: 본 결과는 피질 형태 특징의 특정 변화가 특정 인지 기능 점수와 관련되어 있음을 시사한다. SD 및 LGI의 표면 기반 형태계측(surface-based morphometric) 특징은 CT 분석에 대해 상보적인 결과를 제공하였다. SD와 LGI에서의 영역 특이적 변화는 AD 환자에서 인지 저하를 예측하기 위한 유용한 영상 표지자일 수 있다.

기능적 자기공명영상(fMRI)을 사용하여 인간의 뇌를 연구한 많은 연구들은 생리학적 측정을 포함하지 않으며, 이는 fMRI 연구의 해석과 풍부함에 상당한 영향을 미친다. 호흡과 심박수와 같은 자율신경 생리의 자연스러운 변동은 인지, 정서, 건강을 포함한 핵심 기능을 들여다볼 수 있는 창을 제공하며, fMRI 신호에 큰 영향을 줄 수 있다. 여기서 우리는 전 뇌의 fMRI 동역학으로부터 호흡 진폭과 심박수의 연속적 변화를 직접 해독하는 장단기 메모리(Long-Short-Term-Memory, LSTM) 기반 네트워크인 DeepPhysioRecon을 개발하였다. 체계적인 평가를 통해, 데이터셋과 실험 조건 전반에 걸친 이 접근의 일반화 가능성을 조사한다. 또한 fMRI 분석에 이러한 측정을 포함하는 것의 중요성을 입증한다. 본 연구는 뇌-신체 상호작용을 연구하는 중요성을 강조하고, fMRI를 생체표지자로서 더 효과적으로 활용하는 데 기여할 수 있는 도구를 제안하며, 널리 적용 가능한 오픈 소스 소프트웨어를 제공한다.