뇌영상 정규 모델링을 위한 확산 네트워크

초록

본 논문은 신경영상에서 추출된 다중 특성(IDP)의 조건부 분포를 추정하기 위해 denoising diffusion probabilistic models(DDPM)을 적용한다. FiLM‑조건화 MLP와 SAINT‑스타일 트랜스포머 두 가지 디노이저 백본을 비교하고, 합성 데이터와 UK Biobank의 FreeSurfer IDP를 대상으로 캘리브레이션, 분포 적합성, 다변량 의존성, 메모리화 분석 등을 수행한다. 저차원에서는 기존 방법과 동등한 정확도를 보이며, 고차원(≤200)에서는 트랜스포머 백본이 더 나은 캘리브레이션과 의존성 보존을 달성한다.

상세 분석

이 연구는 신경영상 데이터에서 흔히 사용되는 ‘한 특성당 하나의 모델’ 접근법의 한계를 지적하고, 다변량 정규 모델링을 위한 새로운 프레임워크를 제시한다. 핵심 아이디어는 DDPM을 조건부 밀도 추정기로 활용해, 연령·성별 등 공변량을 입력으로 IDP 전체의 공동 분포를 학습하는 것이다. DDPM은 순차적인 노이즈 추가와 역전 과정에서 학습된 디노이저를 이용해 샘플을 생성하므로, 복잡한 비선형·이분산·다중모드 구조를 자연스럽게 포착한다.

두 가지 디노이저 설계가 비교되었다. 첫 번째는 FiLM‑조건화 MLP로, 공변량을 선형 변조 파라미터로 MLP에 주입한다. 이는 구현이 간단하고 저차원(≤20)에서 빠른 학습이 가능하지만, 고차원에서 표현력 제한과 캘리브레이션 저하가 관찰된다. 두 번째는 SAINT‑스타일 트랜스포머(특징 자체‑어텐션 + 샘플 간 어텐션)이며, 공변량을 임베딩 형태로 삽입한다. 트랜스포머는 특징 간 상호작용을 효율적으로 모델링하고, 배치 내 샘플 간 관계까지 학습함으로써 다변량 의존성을 보존한다. 실험 결과, 차원 200까지 확장했을 때 트랜스포머 백본이 절대 센티일 오류, 경험적 커버리지, PIT(Probability Integral Transform) 등 캘리브레이션 지표에서 MLP보다 현저히 우수했다. Kolmogorov‑Smirnov 테스트와 다변량 상관관계 분석에서도 트랜스포머가 실제 데이터의 공분산 구조를 더 정확히 재현했다.

또한, 최근 논란이 되고 있는 ‘메모리화’ 문제를 평가하기 위해 최근접 이웃 기반 분석을 수행했는데, 두 모델 모두 과도한 메모리화는 보이지 않았으며, 특히 트랜스포머는 샘플 다양성 유지에 강점을 보였다. 합성 데이터에서는 이질적 연령 효과(이분산·다중모드)를 정확히 복원했으며, 실제 UK Biobank 데이터에서는 20개의 신경퇴행성 관련 IDP와 180개의 무작위 추가 IDP를 동시에 모델링하면서도 기존 per‑IDP 파이프라인과 비교해 유의미한 성능 향상을 기록했다.

이 논문은 DDPM이 고차원 표형 데이터에 적용될 수 있음을 실증하고, 트랜스포머 기반 디노이저가 다변량 정규 모델링에 최적임을 제시한다. 향후 연구에서는 샘플링 속도 개선(예: DDIM, 빠른 역전)과, 임상 적용을 위한 해석 가능한 변형(예: 조건부 샤프닝) 등을 탐색할 여지가 있다.