뇌동맥류 실시간 맥동 유동 예측을 위한 그래프 트랜스포머와 저비용 정상 흐름 데이터 증강

초록

본 연구는 그래프 트랜스포머 기반 모델에 정상(steady) 흐름 CFD 데이터를 대량으로 증강하여, 환자별 뇌동맥류 표면 메쉬만으로 심장 주기 전체에 걸친 벽전단응력(WSS) 시계열을 실시간으로 예측한다. 14 000개의 정상 흐름과 808개의 맥동 흐름 CFD 데이터를 활용했으며, SSIM 0.981, 최대 상대 L2 오차 2.8%라는 높은 정확도를 달성했다.

상세 분석

이 논문은 임상에서 활용 가능한 혈류역학 마커인 벽전단응력(WSS)을, 복잡한 뇌동맥류 형상만을 입력으로 받아 실시간으로 예측하는 딥러닝 파이프라인을 제시한다. 핵심은 두 가지이다. 첫째, 그래프 트랜스포머(GPS) 구조를 채택해 로컬 메시지 패싱과 글로벌 어텐션을 병합함으로써, 고해상도 메쉬의 미세한 기하학적 변형과 멀리 떨어진 혈관 구간 간의 상호작용을 동시에 포착한다. 여기서 사용된 GIN‑E(Edge) 백본은 엣지 특성을 포함해 노드 간 물리적 연결성을 강화한다. 둘째, 맥동 CFD 데이터는 계산 비용이 높아 수집이 제한적이지만, 정상 흐름 CFD는 저비용으로 대량 생성할 수 있다. 저자들은 정상 흐름 데이터를 ‘데이터 증강’으로 활용해, 맥동 데이터가 적을 때도 모델이 안정적으로 학습하도록 설계했다. 실험 결과, 증강 없이 808개의 맥동 샘플만 사용했을 때보다 SSIM이 0.03 이상 상승하고, L2 오차가 1.5%p 감소했다. Ablation study에서는 (1) GHD 기반 형태 인코딩이 메쉬 정규화와 다운샘플링을 효율적으로 수행해 학습 효율을 높이고, (2) 로컬‑글로벌 어텐션 결합이 전역 흐름 패턴을 재현하는 데 필수적임을 확인했다. 또한 기존의 2D 투영 기반 CNN, 포인트 클라우드 기반 GNN, LaB‑GATr 등과 비교해, 본 모델은 전반적인 정량 지표와 시각적 유사도에서 우수함을 보였다. 이러한 접근은 CFD 기반 바이오마커를 임상 워크플로에 통합하려는 시도에 실질적인 전진을 제공한다.