트랜스포머 기반 파라미터 피팅으로 블록맥컨넛 방정식 모델을 활용한 CEST MRI 분석

초록

본 연구는 블록‑맥컨넛 방정식에서 유도된 물리 모델의 파라미터를 CEST MRI 스펙트라에 맞추기 위해 자체 지도학습(self‑supervised) 트랜스포머 네트워크를 설계하였다. 9개의 포도당·락테이트 혼합 파판트 데이터를 이용해 기존의 L‑BFGS‑B, Nelder‑Mead, Powell 등 전통적 최적화 기법과 비교했을 때, 제안된 모델은 R² 점수와 추정 정확도에서 우수했으며, GPU 기반 추론 시 10 ms 수준의 초고속 실행 속도를 보였다.

상세 분석

본 논문은 CEST MRI 데이터의 모델 기반 정량화 문제를 두 가지 관점에서 접근한다. 첫 번째는 물리적 모델 자체의 복잡성이다. 블록‑맥컨넛(Bloch‑McConnell) 방정식은 물과 교환 가능한 프로톤 풀을 다중 파라미터(프로톤 분율 fᵢ, 교환 속도 kᵢ, 이완률 R₁ᵢ, R₂ᵢ, 공명 오프셋 δωᵢ 등)으로 기술하지만, 실제 측정된 Z‑스펙트럼은 이들 파라미터가 비선형적으로 결합된 형태이다. 특히 식(4)와 (7)에서 보이는 바와 같이, 파라미터는 비선형 비율 형태로 나타나며, 직접적인 선형 회귀가 불가능하다. 전통적인 최적화 방법(L‑BFGS‑B, Nelder‑Mead, Powell)은 초기값에 민감하고, 파라미터 경계(bound)를 조정하지 않으면 수렴이 실패하거나 비현실적인 해(예: 모든 파라미터가 0으로 수렴)로 귀결된다.

두 번째는 데이터 자체의 특성이다. 실험 파판트는 온도, pH, 이온 강도 등 외부 요인에 의해 미세하게 변동하며, 이러한 변동은 스펙트럼에 잡음과 비선형 왜곡을 유발한다. 따라서 파라미터 추정에 있어 강인한 모델이 필요하다. 저자들은 이러한 문제를 해결하기 위해 트랜스포머 기반 인코더‑디코더 구조를 채택하였다. 트랜스포머는 다중 헤드 어텐션을 통해 스펙트럼 전반에 걸친 장거리 상관관계를 학습할 수 있어, 전통적인 CNN이 놓치기 쉬운 주파수 간의 미세한 상호작용을 포착한다.

구체적인 설계는 8계층, 8개의 어텐션 헤드, 숨김 차원 1024, MLP 차원 1024인 인코더와, 3×3 컨볼루션 레이어(채널 512‑256‑128‑64)와 최종 MLP 헤드로 구성된 디코더로 이루어진다. 출력은 파라미터 공간을 tanh 함수와 스케일링을 통해 물리적 경계 안으로 제한한다(식 9). 손실 함수는 모델이 재생산한 스펙트럼과 입력 스펙트럼 간의 평균 제곱 오차(MSE)이며, 이는 물리 모델의 제약을 직접 손실에 포함시킨 형태다.

학습은 5‑fold 교차 검증으로 200 epoch(로렌지안 모델) 혹은 1000 epoch(블록‑맥컨넛 기반 모델) 동안 진행되었으며, Adam 옵티마이저와 학습률 1e‑5를 사용하였다. 실험 결과는 세 가지 물리 모델(로렌지안, 분석적 Z‑모델, MTR_Rex) 모두에서 제안된 트랜스포머가 L‑BFGS‑B보다 높은 R²(0.95~0.99)와 낮은 표준편차를 기록함을 보여준다. 특히 락테이트 파라미터 추정에서 기존 최적화기가 불안정하게 수렴하는 반면, 트랜스포머는 일관된 단조 증가 형태의 추정값을 제공한다.

속도 측면에서도 트랜스포머는 GPU에서 평균 9 ms, CPU에서도 93 ms 내에 파라미터를 추정할 수 있었으며, 이는 L‑BFGS‑B가 150 ms~4000 ms에 비해 10배 이상 빠른 결과다. 10×10×10 voxel 3D 볼륨을 처리할 경우 전체 계산 시간은 약 9 초로, 전통적 방법의 4000 초와 비교해 실질적인 임상 적용 가능성을 크게 높인다.

결론적으로, 본 연구는 트랜스포머 기반 자기 지도 학습이 복잡한 물리 모델 파라미터 피팅 문제에 효과적이며, 정확도와 속도 두 축에서 기존 최적화 기법을 능가함을 입증한다. 향후 인‑비보 데이터와 다양한 B₁·Δω 조건에 대한 일반화 연구가 필요하지만, 현재 결과만으로도 모델 기반 CEST MRI 정량화에 새로운 패러다임을 제시한다.