EPI, 왜곡, 7T, laminar fMRI의 기본 배경 정리

왜 fMRI는 EPI를 쓰고, 왜 7T 초고해상도 fMRI는 이렇게 어려울까?

“왜 fMRI는 하필 EPI를 쓰는가?”, “왜 7T나 초고해상도 fMRI는 좋은데도 어려운가?”, “왜 결국 reconstruction이나 super-resolution 같은 접근이 필요해지는가?”

 

이번 글에서는 이 질문으로 시작하며 내용을 전개해보려고 한다. 

 

처음에는 이 모든 개념이 따로 노는 것처럼 느껴진다.
하지만 하나씩 연결해 보면 흐름은 비교적 분명하다.

핵심은 이렇다.
fMRI는 원래 빠르게 찍어야 하기 때문에 EPI를 쓰고, EPI는 본질적으로 왜곡과 블러에 취약하다. 여기에 7T와 submillimeter 해상도가 더해지면 신호는 더 불안정해지고, 결국 raw acquisition만으로는 안정적인 층별 기능 측정이 어려워진다. 그래서 재구성과 super-resolution이 중요한 문제가 된다.

이번 글에서는 이 흐름을 처음부터 차근차근 정리해 보고자 한다.

---

1. fMRI는 왜 EPI를 사용할까?

1) fMRI의 본질: 한 장의 예쁜 영상이 아니라, 시간에 따른 변화 관찰

fMRI(functional MRI)는 뇌가 활동할 때 생기는 혈류 및 산소 변화, 즉 BOLD signal을 시간에 따라 관찰하는 기술이다.
이 말은 곧 fMRI가 단순히 “뇌를 한 번 정밀하게 찍는 영상 기술”이 아니라는 뜻이다.

fMRI에서는 보통 다음이 중요하다.

• 뇌 전체를 반복적으로 촬영해야 하고
• 매우 빠른 속도로
• 수십 번, 많게는 수백 번 측정해야 하며
• 시간에 따른 미세한 변화 패턴을 분석해야 한다

즉, 구조 MRI처럼 “한 장을 정교하게 찍는 것”이 목적이 아니라,
시간 축 위에서 기능 변화를 추적하는 것이 목적이다.
그래서 fMRI에서는 무엇보다 속도가 중요해진다.

---

2) 그래서 EPI가 표준이 된다

이러한 요구를 충족시키기 위해 가장 널리 사용되는 방식이 바로 EPI(Echo Planar Imaging)이다.
EPI는 한 번의 excitation 이후 가능한 많은 k-space 정보를 매우 빠르게 읽어내는 촬영 방식이다.

쉽게 말해, EPI는

• 일반적인 MRI보다 훨씬 빠르게 촬영할 수 있고
• 뇌 전체를 반복적으로 측정하기에 적합하며
• fMRI 실험에서 필요한 시간 해상도를 맞추는 데 유리하다

는 장점을 가진다.

그래서 보통 다음과 같이 이해하면 된다.

• 구조 MRI는 느려도 좋으니 정밀하게 촬영
• fMRI는 반복 측정이 필요하므로 빠른 방식이 필수
• 따라서 fMRI에서는 자연스럽게 EPI가 표준이 됨

즉, fMRI에서 EPI는 선택이라기보다, 속도를 위해 거의 필수적으로 채택되는 촬영 방식이라고 볼 수 있다.

---

2. 그런데 EPI는 왜 이렇게 문제가 많을까?

EPI의 가장 큰 장점은 빠르다는 점이다.
그런데 아이러니하게도, EPI의 가장 큰 약점도 바로 그 빠른 방식에서 나온다.

EPI는 매우 짧은 시간 안에 많은 k-space를 읽어들이기 때문에, readout 동안 신호가 계속 변하고, 자기장 불균일성의 영향을 크게 받는다. 그 결과 EPI에서는 다음과 같은 문제가 발생하기 쉽다.

• 기하학적 왜곡(geometric distortion)
• T2* 블러와 신호 손실
• B0 불균일성에 따른 위치 오차와 dropout

즉, 속도를 얻는 대신 영상의 공간적 정확성과 안정성을 희생하게 되는 셈이다.

---

2-1. Geometric distortion: 위치가 어긋나는 문제

기하학적 왜곡은 말 그대로 실제 구조가 있어야 할 위치와 영상에서 보이는 위치가 어긋나는 현상이다.

예를 들어 어떤 뇌 구조가 실제로는 A 위치에 있어야 하는데, EPI 영상에서는 약간 밀리거나 늘어나거나 찌그러져서 전혀 다른 위치에 있는 것처럼 보일 수 있다.

이런 왜곡이 생기는 이유는 EPI가 위상 인코딩 방향(phase-encoding direction)에서 매우 민감하기 때문이다. 작은 자기장 오차만 있어도 위치 정보가 쉽게 틀어질 수 있다.

특히 아래와 같은 부위에서는 왜곡이 더 심해질 수 있다.

• 전두엽 아래쪽
• 측두엽 주변
• 부비동(sinus) 인접 영역

이처럼 공기와 조직이 만나는 경계에서는 자기장 불균일성이 커지기 때문에 EPI 왜곡도 더 커진다.

왜 이게 중요한가

fMRI는 나중에 기능 영상을 구조 영상(T1-weighted anatomical MRI)에 정합하여 “어느 피질 부위가 활성화되었는가”를 분석한다.
그런데 기능 영상 자체가 왜곡되어 있으면, 활성 위치와 실제 해부학적 위치가 어긋나게 된다.

이 문제는 특히 laminar fMRI에서 치명적이다.
층별 분석에서는 1~2mm 수준이 아니라 0.5mm 안팎의 위치 정확도가 중요하기 때문이다.
즉, 아주 작은 왜곡이라도 층 수준 분석에서는 큰 오류로 이어질 수 있다.

---

2-2. T2* 블러와 신호 손실

fMRI의 BOLD contrast는 기본적으로 T2*에 의존한다.
그런데 EPI는 readout 시간이 길고, 그 readout 동안 신호는 계속 감쇠(decay)한다.
이 과정에서 영상은 점점 선명도를 잃고 흐려질 수 있다.

이 현상을 쉽게 말하면 블러(blur)라고 할 수 있다.

블러가 생기면 다음과 같은 문제가 발생한다.

• 영상 경계가 퍼진다
• 구조 구분이 모호해진다
• spatial fidelity, 즉 공간적 충실도가 떨어진다

왜 초고해상도 fMRI에서 더 치명적인가

초고해상도 fMRI는 아주 작은 구조 차이를 보고 싶어 한다.
특히 laminar fMRI에서는 피질의 얇은 층들 사이의 차이를 구분해야 한다.

그런데 블러가 생기면 인접한 층의 신호가 섞여 보일 수 있다.
피질 두께는 대략 2~4mm 수준이므로, 그 안을 여러 층으로 나누어 보려면 voxel 하나하나의 위치와 선명도가 매우 중요하다. 블러가 심하면 “이 기능 신호가 정확히 어느 층에서 온 것인지”를 구분하기 어려워진다.

---

2-3. B0 불균일성: EPI를 더 불안정하게 만드는 근본 원인

MRI는 기본적으로 균일한 주 자기장(B0)을 가정하고 작동한다.
하지만 실제 인체 내부에서는 조직 특성 차이, 공기-조직 경계, 해부학적 구조 등으로 인해 자기장이 완전히 균일하지 않다.

즉,

• 어떤 위치는 자기장이 약간 더 강하고
• 어떤 위치는 약간 더 약할 수 있다

이런 현상을 B0 불균일성(magnetic field inhomogeneity)이라고 한다.

문제는 EPI가 이 불균일성에 매우 민감하다는 점이다. 그 결과 다음 문제가 심화된다.

• 위치 왜곡
• 위상 오차
• 신호 손실(signal dropout)
• 블러 증가

특히 아래 영역에서 이런 문제가 두드러진다.

• orbitofrontal cortex
• inferior temporal regions
• sinus 근처

즉, EPI가 빠르다는 장점은 분명하지만, 자기장 불균일성이 존재하는 실제 인체 환경에서는 매우 예민하고 불안정한 영상 방식이 될 수 있다.

---

3. 7T는 왜 매력적이면서도 어려운가?

이제 “왜 7T를 쓰는가?”라는 질문으로 넘어가 보자.

1) 7T의 장점

7T MRI는 3T보다 훨씬 강한 자기장을 사용한다.
보통 자기장이 강해지면 신호도 더 강해질 가능성이 있고, 더 높은 공간 해상도를 노릴 수 있게 된다.

그래서 7T의 대표적인 장점은 다음과 같다.

• 더 높은 SNR 가능성
• 더 미세한 구조 분해능
• 더 강한 BOLD sensitivity
• laminar/columnar 수준 연구 가능성

즉, 뇌의 미세 구조나 층별 기능을 보고 싶다면 7T는 매우 매력적인 장비다.

---

2) 하지만 7T는 문제도 더 키운다

여기서 중요한 점은, 자기장이 강해질수록 좋은 점만 커지는 것이 아니라는 사실이다.
문제도 함께 커진다.

(a) susceptibility effect 증가

공기-조직 경계에서 발생하는 자기장 차이가 더 크게 작용하게 된다.
즉, B0 불균일성이 더 심해지고, 그 결과:

• EPI 왜곡 증가
• signal dropout 증가
• geometric mismatch 증가

같은 문제가 더욱 두드러지게 된다.

(b) T2* 관련 민감도 증가

7T에서는 T2* decay 특성이 달라지고, readout 동안의 신호 감쇠가 더 민감하게 작용할 수 있다.
이로 인해 블러, 왜곡, 아티팩트가 더 심해질 가능성이 있다.

(c) RF/B1 불균일성

고자장 환경에서는 RF 파장의 영향 때문에 RF field(B1)도 균일하지 않게 될 수 있다.
그러면 위치마다 flip angle이 달라지고, 결과적으로 신호 균일성이 떨어질 수 있다.

(d) 움직임의 영향 확대

해상도가 높아질수록 아주 작은 움직임도 더 치명적이다.
예를 들어 2mm voxel에서는 상대적으로 작아 보이는 움직임이, 0.5mm voxel 환경에서는 매우 큰 오류로 작용할 수 있다.

결국 7T는
더 높은 잠재적 해상도와 더 큰 민감성을 동시에 주는 환경이라고 이해하는 것이 맞다.

---

4. 왜 submillimeter fMRI는 본질적으로 어려운가?

이제 laminar fMRI의 핵심 어려움으로 들어가 보자.

1) 해상도를 높인다는 것은 voxel을 작게 만든다는 뜻이다

보통 해상도를 높인다는 것은 voxel 크기를 줄인다는 뜻이다.

예를 들어,

• 2mm isotropic voxel
• 1mm isotropic voxel
• 0.5mm isotropic voxel

로 갈수록 voxel 부피는 급격히 작아진다.

단순히 부피를 비교해 보면,

• 2mm voxel은 2×2×2=8
• 0.5mm voxel은 0.5×0.5×0.5=0.125

이므로, voxel volume 차이가 매우 크다.

---

2) voxel이 작아지면 왜 SNR이 떨어질까?

voxel이 작다는 것은 그 안에 들어오는 신호의 양이 줄어든다는 뜻이다.
즉, 수집되는 spin ensemble이 적어지고, 그 결과 signal 자체가 약해진다.

그래서 초고해상도로 갈수록 다음과 같은 trade-off가 생긴다.

• 공간 분해능은 좋아진다
• 하지만 SNR은 나빠진다

이것은 submillimeter fMRI의 가장 본질적인 어려움 중 하나다.

---

3) laminar fMRI는 이 trade-off가 특히 심하다

피질 층은 매우 얇고 서로 가까이 붙어 있다.
따라서 voxel이 너무 크면 여러 층의 신호가 한 voxel에 섞여 들어오게 된다.
층별 분석을 하려면 voxel을 아주 작게 해야 한다.

하지만 voxel을 작게 만들면 SNR이 급격히 떨어진다.
즉, laminar fMRI는 처음부터 다음과 같은 딜레마를 안고 있다.

• 층을 보려면 작게 찍어야 한다
• 작게 찍으면 SNR이 부족하다
• SNR이 부족하면 기능 신호가 불안정해진다

결국 laminar fMRI는 단순히 “더 높은 해상도”의 문제가 아니라,
공간 해상도와 신호 안정성 사이의 매우 예민한 균형 문제라고 볼 수 있다.

---

5. 왜 “해상도만 높이면 된다”는 생각은 틀릴 수 있을까?

처음 공부할 때는 흔히 이렇게 생각하기 쉽다.

“7T면 더 좋은 장비고, 해상도가 높으면 더 자세히 보이는 것 아닌가?”

겉으로 보면 맞는 말처럼 보인다.
하지만 실제 영상 연구에서는 해상도만 높다고 해서 좋은 결과가 보장되지 않는다.

고해상도에서 중요한 것은 단순히 픽셀 수가 아니라 다음과 같다.

• 신호가 충분한가
• 왜곡이 작은가
• 해부학 영상과 잘 맞는가
• 시간적 기능 신호가 보존되는가

즉, 해상도는 높지만 noisy하고 왜곡이 심하며 기능 신호가 불안정하다면, 과학적으로는 오히려 더 나쁜 데이터가 될 수도 있다.

---

6. 그래서 왜 reconstruction과 super-resolution이 중요해지는가

처음의 문제의식을 다시 떠올려 보면 흐름이 분명해진다.

• 7T submillimeter fMRI는 층별 분석에 매우 매력적이다
• 하지만 EPI 기반이라 왜곡, 블러, B0 불균일성에 취약하다
• voxel이 작아 SNR도 본질적으로 낮다
• 따라서 raw acquisition만으로는 안정적인 laminar mapping이 어렵다

그래서 필요한 전략이 바로 다음과 같다.

• 딥러닝 재구성으로 SNR을 개선하고
• 구조적 충실도(structural fidelity)를 높이고
• 아티팩트를 줄이며
• 필요한 경우 super-resolution까지 적용해
• 더 정확한 층별 기능 맵핑을 가능하게 한다

즉, 이 과정의 목표는 단순히 “영상이 더 예뻐 보이게 하자”가 아니다.

초고해상도 fMRI가 안고 있는 물리적·영상학적 한계를 reconstruction과 SR을 통해 완화하고, 더 신뢰할 수 있는 층별 기능 측정을 가능하게 하자는 것이 핵심이다.

---

7. super-resolution은 왜 여기서 중요한가

super-resolution(SR)은 흔히 단순 업스케일링으로 오해되지만, 의료영상에서는 훨씬 조심스럽게 다루어야 하는 주제다.

laminar fMRI에서는 아주 작은 차이를 더 분명히 보고 싶기 때문에 SR이 매력적이다.
하지만 의료영상에서 SR은 다음 조건을 반드시 만족해야 한다.

• 없는 디테일을 상상해서 만들면 안 된다
• 실제 구조와 잘 맞아야 한다
• 기능 신호를 왜곡해서도 안 된다

즉, 여기서 말하는 SR은 단순히 “이미지를 크게 만드는 기술”이 아니라,
구조 fidelity를 유지하면서 유효 공간 해상도를 높여 층 수준 특성화를 더 정확하게 하려는 전략으로 이해하는 것이 맞다.

---

8. 왜 단순 왜곡 보정만으로는 부족할 수 있을까

이쯤 되면 이런 의문이 생길 수 있다.

“그렇다면 왜곡 보정만 잘하면 되는 것 아닌가?”

물론 실제로는 reversed phase-encoding, field map correction, topup 같은 왜곡 보정 기법이 존재한다.
하지만 laminar/submillimeter 수준에서는 단순 correction만으로 해결되지 않는 문제가 남는다.

• SNR 자체가 너무 낮고
• 블러와 노이즈가 여전히 존재하며
• 구조 fidelity 문제가 완전히 사라지지 않고
• 시간적 기능 신호 보존까지 고려해야 하기 때문이다

즉, 왜곡 보정은 필요하지만 충분조건은 아니다.
그래서 reconstruction 단계에서부터 더 나은 복원을 시도하는 접근이 중요해진다.

---

9. 꼭 기억해야 할 핵심 키워드

여기까지의 내용을 정리하면서, 아래 키워드는 반드시 머릿속에 남겨 두는 것이 좋다.

• EPI: 빠른 fMRI 표준 촬영 방식. 속도는 빠르지만 왜곡과 블러에 취약하다.
• geometric distortion: 실제 구조 위치와 영상 위치가 어긋나는 현상
• B0 inhomogeneity: 기본 자기장의 불균일성. EPI 왜곡과 신호 손실의 주요 원인
• T2* blur: readout 동안 신호가 감쇠하면서 생기는 흐림
• 7T: 더 높은 감도와 해상도 잠재력을 제공하지만, 불균일성과 아티팩트도 더 커짐
• laminar fMRI: 피질 층 수준의 기능 측정. 높은 해상도와 정밀한 정합이 필수
• submillimeter: 1mm보다 작은 voxel. 해상도는 높지만 SNR 측면에서는 매우 불리함

---

10. 핵심요약

이 내용을 아주 짧게 요약하면 다음과 같이 말할 수 있다.

Submillimeter fMRI는 층별 활동을 보기 위해 매우 작은 voxel을 사용하므로 본질적으로 SNR이 낮고 움직임, 노이즈, 불안정성에 더 민감하다. 또한 fMRI의 표준 촬영 방식인 EPI는 특히 7T에서 B0 불균일성, 기하학적 왜곡, T2* 블러에 더욱 취약하기 때문에, 신뢰할 수 있는 층별 기능 신호를 얻으려면 reconstruction이 매우 중요하다.

---

11. 전체 흐름

이 글에서 가장 중요한 흐름은 다음과 같다.

fMRI는 빨라야 해서 EPI를 쓴다
→ EPI는 왜곡과 블러에 취약하다
→ 7T는 해상도 잠재력을 키우지만 이러한 문제도 더 크게 만든다
→ laminar fMRI는 voxel이 작아 SNR이 매우 부족하다
→ 그래서 딥러닝 reconstruction과 super-resolution로 구조 fidelity와 기능 신호를 보완하려는 것이다

이 흐름만 확실히 잡혀 있어도, 이후에 TR-external EPIK, deep learning reconstruction, self-supervised MRI reconstruction 같은 주제를 훨씬 수월하게 이해할 수 있다.

 

 

 

참고자료

• MRI Questions, Radiopaedia: MRI 기본 원리와 EPI, artifact 개념 정리
• fastMRI 공식 페이지: MRI reconstruction 입문용 공개 데이터셋 및 코드
• Yun et al. (2024, 2025): 초고해상도 fMRI와 딥러닝 재구성 관련 대표 참고자료