물리 구조 변분 오토인코더를 활용한 다중 파라미터 불확실성 지도

초록

본 연구는 물리 기반 시뮬레이터와 자기 지도 학습을 결합한 변분 오토인코더(PS‑VAE)를 제안한다. 신경망 인코더가 측정된 MRF 신호로부터 조직 파라미터의 평균과 전체 공분산을 추정해 다변량 후방분포를 실시간으로 제공한다. CEST·MT 다중 풀 모델을 이용해 인‑비트로, 마우스 종양, 인간 건강인 및 교모세포종 데이터에 적용했으며, 전통적인 그리드 기반 베이지안 분석과 거의 동일한 신뢰구간을 얻는 동시에 전체 뇌 정량화 시간을 수십 배 단축하였다. 또한, 획득 진행 중 후방분포 변화를 모니터링함으로써 프로토콜 최적화와 실시간 적응 획득 가능성을 제시한다.

상세 분석

PS‑VAE는 기존 MRF 기반 정량 MRI의 핵심 문제인 “불확실성 부재”를 근본적으로 해결한다. 먼저, 물리‑구조 디코더를 고정하고, 신경망 인코더(E_w)를 다층 퍼셉트론 형태로 설계해 입력 신호 S_exp을 직접 평균 μ와 비대각 공분산 Σ로 매핑한다. 여기서 Σ는 전체 공분산 행렬을 예측함으로써 파라미터 간 상관관계를 명시적으로 포착한다는 점이 기존 평균‑분산(대각) 접근과 차별화된다. 학습 목표는 두 부분 손실의 합으로 구성된다. 첫 번째는 재구성 손실 L_c=‖S_exp−F(θ′)‖², 여기서 F는 미분 가능하게 구현된 스핀 물리 시뮬레이터이며, θ′=μ+U S ε (재파라미터화 트릭) 로 샘플링된 파라미터이다. 두 번째는 −α log det Σ 형태의 정규화 항으로, 공분산이 무한히 작아지는 현상을 방지하고, 동시에 KL‑다이버전스와 유사한 역할을 수행한다. 이 설계는 사전 라벨이 전혀 없는 실험 데이터(S_train)만으로도 자기 지도 학습이 가능하도록 만든다.

베이지안 관점에서 PS‑VAE는 변분 근사 Q_ϕ(N(μ,Σ))를 통해 P(θ|S) 를 amortized inference 형태로 추정한다. 기존 변분 오토인코더가 평균‑분산만을 다루는 반면, 본 연구는 전체 공분산을 학습함으로써 2‑D 이상의 파라미터 공간에서도 Mahalanobis 거리 기반 신뢰구역(CR)을 정의한다. 이는 특히 CEST·MT와 같이 교환율(k)과 부피분율(f) 사이에 강한 상관관계가 존재하는 경우, 단일 파라미터 CI보다 훨씬 풍부한 정보를 제공한다.

실험에서는 (1) 인‑비트로 파라미터(다중 풀 CEST·MT)와 (2) 마우스 종양 모델, (3) 건강인 뇌, (4) 교모세포종 환자를 대상으로 PS‑VAE를 훈련·검증하였다. 기준으로는 동일한 물리 모델과 가우시안 잡음 가정을 기반으로 만든 고해상도 그리드(Θ_d)에서 직접 likelihood를 계산한 “brute‑force Bayesian” 방법을 사용했다. 결과는 다음과 같다. • MAP 추정값의 NRMSE가 기준 방법과 거의 동일하거나 약간 우수했다. • 95 % CR(마할라노비스 타원)의 형태와 위치가 그리드 기반 CR과 높은 Mahalanobis 거리 일치도를 보였다(대부분 <1.5). • 전체 뇌에 대한 정량화 시간이 수십 초 수준으로, 기존 그리드 방식이 수시간에서 수십시간 걸리던 것에 비해 2–3 order of magnitude 가속화되었다. • 획득 초반부 신호만 사용했을 때도 불확실성 지도가 급격히 수축되는 모습을 관찰할 수 있었으며, 이를 통해 실시간으로 “추가 획득 필요 여부”를 판단하는 프로토콜 최적화 전략을 제시했다.

한계점도 명시된다. 첫째, 물리 디코더가 정확해야 공분산 추정이 의미를 갖는데, 모델 오차가 클 경우 후방분포가 편향될 위험이 있다. 둘째, 현재는 2‑D 파라미터(교환율·부피분율) 공간에 국한했으며, 차원이 늘어날 경우 Σ의 안정적 추정과 메모리 요구가 급증한다. 셋째, 정규화 하이퍼파라미터 α와 prior 범위 설정이 결과에 민감하게 작용하므로, 다양한 스캔 프로토콜에 대한 일반화 검증이 추가로 필요하다. 그럼에도 불구하고, PS‑VAE는 “빠른, 전역적인, 다변량 불확실성 추정”이라는 목표를 성공적으로 달성했으며, 임상 현장에서 AI 기반 정량 MRI의 신뢰성을 크게 향상시킬 수 있는 실용적 토대를 제공한다.