GPU 가속 3D 퍼지 클러스터링 기반 뇌 MRI 분할 알고리즘

초록

본 논문은 기존 3DPIFCM 알고리즘을 CUDA 기반 GPU 환경으로 이식하여, 잡음이 많은 뇌 MRI 영상에서의 분할 정확도를 유지하면서 실행 시간을 최대 27배 가속시켰음을 보고한다. 파티클 스웜 최적화(PSO)를 이용한 파라미터 튜닝을 병렬화하고, 대용량 이미지일수록 코어 활용도가 높아지는 특징을 보인다.

상세 분석

3DPIFCM(3D Particle‑Swarm‑Optimized Fuzzy C‑Means)은 잡음에 강인한 퍼지 클러스터링 기법으로, PSO를 통해 클러스터 중심과 퍼지 멤버십 파라미터를 최적화한다. 기존 구현은 CPU 기반 단일 머신에서 수행되어 최적화 단계가 수십 분에서 수시간까지 소요돼 임상 현장 적용에 제약이 있었다. 본 연구는 이러한 병목을 GPU의 대규모 병렬 처리 능력에 매핑함으로써 해결책을 제시한다.

먼저 알고리즘을 세 부분으로 분할하였다. (1) 이미지 전처리 및 초기 클러스터링 매트릭스 생성, (2) PSO 입자 업데이트와 적합도 평가, (3) 퍼지 멤버십 및 중심 재계산. 각 단계는 데이터 독립성이 높아 CUDA 커널로 구현하기에 적합했다. 특히 PSO 입자들의 위치와 속도 업데이트는 수천 개 입자를 동시에 처리할 수 있어, 스레드 블록당 256~512개의 입자를 할당하고, 그리드 차원을 이미지 차원과 일치시켜 메모리 접근 패턴을 연속적으로 만들었다.

GPU 메모리 관리 측면에서, 전역 메모리와 공유 메모리의 효율적 사용이 핵심이었다. 이미지 픽셀 값과 퍼지 멤버십 행렬은 전역 메모리에 저장하되, 각 블록이 처리하는 서브‑이미지 영역을 공유 메모리로 복사해 읽기‑쓰기 충돌을 최소화했다. 또한, PSO 입자들의 적합도 계산에 필요한 거리 연산을 텐서 코어가 아닌 일반 SM에서 수행하도록 설계해, 부동소수점 연산 정확도를 유지하였다.

성능 평가에서는 512×512×128 크기의 3D MRI 데이터를 사용했으며, CPU‑single‑thread 구현과 비교해 평균 27배, 기존 GA‑IFCM(Genetic Algorithm 기반) 대비 68배의 속도 향상을 기록했다. 특히 이미지 크기가 커질수록 GPU 활용률이 85% 이상으로 상승해, 코어 자원 낭비가 거의 없었다. 정확도 측면에서는 잡음 레벨(SNR 5 dB)에서도 기존 3DPIFCM과 동일한 Dice coefficient(≈0.92)를 유지했으며, FCM이나 단순 PSO‑FCM 대비 4~6% 높은 성능을 보였다.

하지만 몇 가지 한계도 존재한다. 첫째, CUDA 구현은 NVIDIA GPU에 종속적이며, AMD 혹은 Intel GPU에서는 재구현이 필요하다. 둘째, PSO 파라미터(입자 수, 최대 반복 횟수)가 고정되어 있어, 매우 높은 차원의 파라미터 공간에서는 수렴 속도가 떨어질 수 있다. 셋째, 메모리 요구량이 이미지 크기에 비례해 급증하므로, 12 GB GPU 메모리 한계에 도달하면 스트리밍 기법을 추가로 도입해야 한다. 향후 연구에서는 멀티‑GPU 스케일링, 동적 입자 수 조절, 그리고 하이브리드 PSO‑GA 최적화 전략을 탐색함으로써 실시간 임상 적용 가능성을 높일 수 있을 것으로 기대된다.