RinQ 지문인식 재발 기반 분위수 네트워크를 이용한 자기공명 지문인식

초록

본 논문은 자기공명 지문인식(MRF)에서 복소수 신호와 공간 패치를 활용한 순환 신경망(RNN) 구조에 0.5 분위수 레이어를 결합한 새로운 재구성 방법을 제안한다. 실험 결과, 복소수 입력, RNN 사용, 그리고 분위수 레이어 적용 순으로 오류가 크게 감소했으며, 최종 모델은 기존 CNN 기반 방법 대비 T1·T2 추정 오차를 80 % 이상 줄였다.

상세 분석

이 연구는 MRF 재구성의 핵심 병목인 템플릿 매칭의 높은 연산 비용을 딥러닝으로 대체하고자 한다. 기존 CNN 기반 접근은 시간‑종속 신호 처리에 한계가 있어, 저자들은 LSTM 기반 RNN을 선택하였다. 입력 신호는 3000 포인트의 복소수 시퀀스를 30개의 블록(각 100 복소수, 실수·허수 200 차원)으로 재구성해 LSTM에 공급함으로써 기울기 소실·폭발을 방지하였다. 또한, 신호의 공간적 연속성을 활용하기 위해 3×3 패치를 구성하고, 각 패치에 대해 독립적인 회귀를 수행한 뒤 0.5 분위수(중위수) 연산을 적용하였다. 분위수 레이어는 미분 가능하도록 희소 행렬 Q로 구현되어 역전파 시 Qᵀ를 사용한다. 이는 평균이나 최대 풀링보다 노이즈와 아웃라이어에 강인한 엣지 보존 필터 역할을 한다.

실험은 8명의 피험자(총 12 슬라이스)와 추가 4명(16 슬라이스) 데이터를 사용했으며, 데이터는 SVD 기반 50 차원 압축 후 691 497개의 정밀 사전 사전(dictionary)으로부터 생성된 ‘ground‑truth’와 비교하였다. 모델은 MSE 기반 손실을 ADAM으로 최적화하고, 검증 손실(√MSE) 기준으로 최적 모델을 선택하였다.

비교 결과는 다음과 같다. (1) 복소수 입력(Sc) 사용 시 CNN은 62 %·RNN은 50 % 정도 오차가 감소한다. (2) 동일 파라미터 수에서 RNN이 CNN보다 최대 53 % 낮은 오류를 보인다. (3) 3×3 패치와 0.5 분위수 레이어를 적용한 RNN(RNN 3)은 T1 오차를 57 %, T2 오차를 43 % 추가 감소시킨다. 특히 조직 경계에서 오류가 크게 줄어들어 엣지 보존 효과가 확인되었다.

제한점으로는 훈련 데이터가 상대적으로 적어 일반화 검증이 부족하고, 매우 미세한 사전 사전을 사용해 학습 데이터 요구량이 크게 증가한다는 점이다. 또한, 현재는 동일 피험자 내에서 데이터 분할을 수행했으므로, 완전히 새로운 피험자에 대한 성능 평가는 추가 연구가 필요하다. 향후 연구에서는 물리 기반 연산을 네트워크에 통합하거나, 더 큰 다중기관 데이터셋으로 확장해 모델의 견고성을 검증할 계획이다.