뇌 자기공명영상(MRI) 분석은 신경계 질환의 정확한 진단 및 치료에 있어 핵심적인 역할을 한다. 이 분야의 기술적 향상은 환자의 건강 수준 향상으로 이어질 수 있다. MRI의 특성상 재구성 과정이 복잡하기 때문에, 질병 탐지 및 세분화(segmentation), 데이터 증강(data augmentation), 데이터 수집 품질 향상, 영상 향상 등의 다양한 하위 분야에서 여전히 개선의 여지가 있다. 수년간 이러한 문제를 해결하기 위한 다양한 접근 방식이 제안되어 왔다. 그 중에서도 머신러닝(Machine Learning)과 딥러닝(Deep Learning)이 문제 해결에 매우 효과적인 방법으로 부상하고 있다. 이를 위해 다양한 데이터 마이닝 기법(예: 지도학습, 비지도학습, 차원 축소, 생성 모델 등)과 알고리즘을 MRI 분석에 적용할 수 있다. 또한, 다른 영상 처리 작업에 활용되고 있는 새로운 딥러닝 아키텍처 역시 유용할 수 있다. 예를 들어, 새로운 형태의 컨볼루션(Convolution), 오토인코더(Autoencoder), 생성적 적대 신경망(GAN, Generative Adversarial Networks) 등이 대표적이다. 따라서 본 연구의 목적은 이러한 최신 기술 중 하나를 T1 가중 뇌 MRI(T1-weighted MRI, T1WMRI)에 적용하는 것이다. 구체적으로, 뇌 영상 분석에서 발생할 수 있는 문제들을 해결하는 데 기여할 수 있는 딥 컨볼루션 오토인코더(Deep Convolutional Autoencoder)를 개발할 예정이다. 이 오토인코더의 입력은 정상 대조군(컨트롤)의 T1WMRI 영상이며, 목표는 입력된 영상과 동일한 영상을 재구성하는 것이다. 그러나 오토인코더 내부 구조상 입력 영상이 저차원 공간을 거쳐야 하므로 원본 영상의 정확한 재구성이 어려워지는 특성이 있다. 따라서 이 오토인코더는 정상 상태의 뇌 해부학적 변이를 정의하는 정상 모델(Normative Model)로 기능하게 된다. 이 모델은 정상 대조군의 MRI 영상으로 학습을 마친 후, 뇌 해부학적 변이의 분포(또는 정상 범위)를 정의하게 된다. 이후 본 연구에서는 학습된 오토인코더를 노이즈 제거기 또는 질병 탐지기로 활용할 수 있는 잠재적 응용 가능성을 논의할 것이다.