심장 전주기 역학을 위한 사이클‑일관 그래프 서프레이트 CGFENet

초록

CGFENet은 전주기 좌심실(LV) 압력·변위 예측을 위해 전역‑국부 그래프 인코더와 V‑t 조건 GRU 기반 시간 인코더를 결합한 그래프 신경망 서프레이트이다. 양방향 로딩·언로딩을 하나의 사이클‑일관 구조로 학습시켜, 기존 그래프 모델보다 변위와 압력 정확도가 높으며, 사이클‑일관 제약을 통해 라벨이 적은 경우에도 높은 성능을 유지한다.

상세 분석

본 논문은 임상에서 활용 가능한 좌심실(LV) 역학 시뮬레이션을 목표로, 전통적인 유한요소해석(FEA)의 높은 계산 비용을 극복하기 위한 딥러닝 기반 서프레이트를 제안한다. 핵심 아이디어는 (1) 전역‑국부 그래프 인코더를 통해 비정형 메쉬의 기하학적·물리적 특성을 동시에 학습하고, 약식 형태(weak‑form)에서 영감을 얻은 전역 결합 토큰을 삽입해 전역 압력‑부피(P‑V) 연관성을 강화한다는 점이다. 이 인코더는 GATv2 기반 잔차 블록을 여러 층 쌓아 노드 수준 메시지를 전달하고, 평균 풀링으로 얻은 전역 토큰을 교차‑어텐션으로 모든 노드에 재분배함으로써, 전통적인 FEA가 만족하는 전역 평형 조건을 그래프 구조에 내재시킨다.

(2) 시간 인코더는 목표 부피‑시간(V‑t) 신호를 입력으로 받아, ΔV, sin·cos 형태의 주기적 특징을 포함한 4‑차원 벡터를 MLP로 임베딩한 뒤, GRU를 통해 순환적으로 처리한다. 이를 통해 심장 주기 전반에 걸친 히스토리 의존성을 모델링하고, 특히 수축‑이완 과정에서 압력 변동을 부드럽게 예측한다. 비순환형 인코더와 비교했을 때 압력 RMSE가 1.7 mmHg에서 2.4 mmHg로 악화되는 등, 순환 구조의 중요성이 실험적으로 입증된다.

(3) 사이클‑일관성 전략은 로딩(℧₀ → ℧_load)과 언로딩(℧_load → ℧₀) 두 브랜치를 하나의 네트워크에 통합한다. 학습 단계에서 로딩 → 언로딩 → 재로드 순으로 흐름을 만들고, 재로드된 메쉬와 최초 로딩 메쉬 사이, 언로딩 메쉬와 원본 언로딩 메쉬 사이의 차이를 손실로 최소화한다. 이 제약은 두 브랜치가 서로의 역함수 역할을 학습하도록 강제하며, 라벨이 부족한 상황에서도 모델이 자체적으로 정규화 신호를 얻어 성능 저하를 방지한다. 실험 결과, 사이클‑일관성을 제거하면 언로딩 HD가 크게 증가하고, 라벨 비율이 10 % 수준으로 감소했을 때 성능이 급격히 떨어지는 것을 확인할 수 있다.

데이터 측면에서는 67개의 서로 다른 해부학적 LV 메쉬와 1,814,146개의 (P, V, t, 변위) 상태를 포함하는 대규모 FEA 시뮬레이션을 구축하였다. 메쉬는 이미지 기반 PCA 형태 모델로부터 샘플링하고, Gmsh를 이용해 tetrahedral 메쉬로 변환하였다. 모든 시뮬레이션은 동일한 Fung형 재료 모델을 사용했으며, 40–160 mL 부피 범위와 0–800 ms 시간 구간을 균일히 탐색했다.

성능 평가에서는 변위 RMSE, 하우스도르프 거리(HD), 정점 정확도(Acc.<1 mm) 등 여러 지표에서 기존 GraphUNet, MeshGraphNet보다 우수함을 보였다. 특히 압력 예측에서 R²=0.98, RMSE=1.70 mmHg를 달성했으며, 변위 예측에서도 RMSE≈0.39 mm, Acc.<1 mm≈0.90을 기록했다. Ablation 실험을 통해 GRU, 전역‑국부 결합, 사이클‑일관성 각각이 모델 성능에 미치는 영향을 정량화했으며, 특히 사이클‑일관성이 언로딩 정확도와 라벨 효율성에 결정적임을 강조한다.

마지막으로, CGFENet을 Lumped‑Parameter 모델과 결합해 폐쇄형 P‑V 루프를 재구성함으로써, 전통적인 FEA와 동일한 순환 역학을 실시간(수 ms) 수준에서 제공한다. 이는 환자 맞춤형 디지털 트윈 구축 및 임상 의사결정 지원에 직접적인 활용 가능성을 시사한다.