확산 MRI (Diffusion MRI)는 조직의 미세구조 (microstructure)를 비침습적으로 탐사할 수 있게 해주지만, 정확한 파라미터 추정은 노이즈 관련 영향으로 인해 어려움을 겪습니다. 시뮬레이션 데이터로 학습된 지도 학습 (supervised machine learning) 프레임워크에서는, 시뮬레이션된 신호와 실제 획득된 신호 사이의 노이즈 특성 차이로 인해 입력 신호 분포가 학습과 추론 단계에서 달라지는 공변량 변화 (covariate shift)가 발생합니다. 본 연구에서는 이러한 불일치가 미세구조 파라미터 추정에 미치는 영향을 조사하였으며, 이를 완화하기 위한 실제적인 노이즈 합성 (RNS, realistic noise synthesis) 프레임워크를 제안합니다. RNS는 Rician 기대값 (Rician expectation)과 효과적인 후처리 노이즈 분산 (effective post-processing noise variance)을 모두 시뮬레이션된 학습 신호에 통합합니다. Rician 기대값은 MPPCA로 추정된 노이즈 표준 편차를 사용하여 모델링되었으며, 효과적인 표준 편차는 전처리된 데이터의 구면 조화 잔차 (spherical harmonic residuals)로부터 도출되었습니다. 이 방법은 다양한 SNR 수준의 시뮬레이션 데이터셋에 대한 cylinder-zeppelin 모델 및 SANDI 모델, 그리고 반복 획득된 생체 내 (in vivo) 확산 데이터를 사용하여 평가되었습니다. 또한 노이즈 오추정에 대한 민감도도 평가되었습니다. 학습 과정에서 크기 유도 노이즈 효과 (magnitude-induced noise effects)를 무시할 경우, 특히 낮은 SNR에서 SNR에 의존적인 체계적인 파라미터 편향 (parameter bias)이 발생했습니다. Rician 기대값을 통합함으로써 편향을 노이즈를 인지하는 비선형 최소제곱법 (noise-aware nonlinear least-squares fitting) 수준으로 크게 감소시켰습니다. 효과적인 표준 편차를 모델링함으로써 정밀도 (precision)를 더욱 향상시켰습니다. 성능은 회귀 아키텍처 (regression architecture)와는 크게 무관했으나, 정확한 노이즈 추정에는 민감했습니다. 이러한 결과는 시뮬레이션된 학습 데이터에서의 실제적인 노이즈 모델링이 신호 도메인의 공변량 변화를 완화하며, 특히 높은 b-값 (high b-values) 또는 높은 공간 해상도 (high spatial resolution)와 관련된 낮은 SNR 영역에서 편향 없는 지도 학습 기반 미세구조 추정을 위해 필수적임을 입증합니다.