휴지상태 기능적 자기공명영상(rs-fMRI)은 내재적 신경 활동을 측정하며, 그 주파수 영역 특성을 분석하면 뇌 역학에 대한 통찰을 제공한다. 이러한 특성들로 인해 rs-fMRI는 자폐 스펙트럼 장애(ASD)와 주의력결핍 과잉행동장애(ADHD)와 같은 뇌 질환을 규명하기 위해 널리 사용된다. 전통적인 주파수 영역 분석은 대체로 푸리에 변환에 의존하는데, 이는 고정된 해상도로 인해 비정상(non-stationary) 신경 신호를 포착하는 데 유연성이 부족하다. 또한 이러한 방법들은 복소수 스펙트럼 표현으로부터 도출되는 크기나 위상과 같은 실수값 특징만을 주로 활용한다. 그 결과, 특히 fMRI 분석에서 실수부와 허수부를 직접 모델링하는 작업은 여전히 충분히 탐구되지 않았으며, 이들 성분에 부호화된 구별되면서도 상보적인 스펙트럴 정보를 간과하고 있다. 이러한 한계를 해결하기 위해, 우리는 rs-fMRI 신호로부터 연속 웨이블릿 변환(CWT) 계수의 실수부와 허수부를 명시적으로 모델링하는 새로운 Transformer 기반 프레임워크를 제안한다. 우리의 아키텍처는 자기- 및 교차-어텐션 메커니즘을 사용하여 구성요소 간의 관계뿐 아니라 구성요소 내부(intra-component)의 관계까지 함께 포착하도록, 스펙트럴, 시간적, 공간적 주의(attention) 모듈을 통합한다. Autism Brain Imaging Data Exchange(ABIDE)-I 및 ADHD-200 데이터셋에 적용한 결과, 본 접근은 기존 기준 방법(baselines) 대비 최첨단 분류 성능을 달성하였다. 포괄적인 절제(ablation) 연구는 기존 주파수 영역 특징에 비해 실수부와 허수부를 직접 활용하는 이점을 보여주었으며, 각 모듈의 기여도를 검증하였다. 또한 어텐션 기반 분석은 ASD와 ADHD에서 알려진 신경생물학적 변화와 일치하는 주파수- 및 영역-특이적 패턴을 드러냈다. 이러한 결과는 CWT 기반 표현에서 실수부와 허수부를 보존하고 이를 함께 활용하는 것이 진단 성능을 향상시킬 뿐 아니라 신경발달성 장애에 대한 해석 가능한 통찰을 제공함을 시사한다.

의료 영상 분석(Medical image analysis, MedIA)은 의학 및 보건의 필수 도구가 되었으며, 질병 진단, 예후, 치료 계획에 도움을 주고, 최근 심층학습(Deep learning, DL)의 성과는 이러한 발전에 상당한 기여를 해 왔다. 그러나 실제 상황에서 MedIA를 위해 DL 모델을 배치하는 일은 훈련 샘플과 테스트 샘플 간의 분포적 불일치로 인해 일반화에 실패하는 문제, 즉 도메인 시프트(domain shift) 때문에 여전히 어렵다. 연구자들은 알려지지 않았거나 분포 밖(out-of-distribution, OOD) 데이터 분포에서도 적응하고 견고하게 수행하기 위한 다양한 DL 방법을 개발하는 데 노력을 기울여 왔다. 본 글은 MedIA에 특화된 도메인 일반화(domain generalization, DG) 연구를 종합적으로 검토한다. 우리는 DG 기법들이 더 넓은 MedIA 시스템 안에서 어떻게 상호작용하는지를 전체적으로 조망하며, 방법론을 넘어 MedIA 워크플로 전반에 대한 운영적 함의까지 고려한다. 구체적으로, 우리는 DG 방법을 데이터 수준, 특징 수준, 모델 수준, 분석 수준 방법으로 분류한다. 또한 이러한 방법들이 데이터 획득부터 모델 예측 및 분석에 이르기까지, MedIA 워크플로의 다양한 단계에서 어떻게 활용될 수 있는지를 보여준다. 아울러 여러 방법의 강점과 약점을 비판적으로 분석하여 향후 연구의 기회를 드러낸다.