PUNCH: 물리 기반 불확실성 인식 네트워크로 관상동맥 혈류 역학을 비침습적으로 추정

초록

PUNCH는 관상동맥 조영술 영상에서 물리‑정보 신경망(PINN)과 변분 추론을 결합해 관상동맥 혈류 예비율(CFR)을 직접 추정한다. 1차원 대류‑확산 방정식으로 대비 물질 이동을 모델링하고, 잠재 변수 z를 통해 영상 잡음·운동 아티팩트·대조제 주입 변동성을 포착한다. 데이터 적합, PDE 잔차, KL 정규화의 복합 손실로 학습하며, 추론 시 z를 100번 샘플링해 속도·분산 필드를 확률적으로 얻고, 평균·95 % 신뢰구간 형태로 CFR을 제공한다. 합성 데이터와 20명의 임상 열희석 검사 결과에서 정확도와 불확실성 보정이 검증되었으며, GPU 한 대당 약 3분 내에 처리된다.

상세 분석

본 논문은 관상동맥 미세혈관 기능(CMD) 진단에 핵심적인 관상동맥 혈류 예비율(CFR)을, 기존의 침습적 열희석법을 대체할 비침습적 방법으로 제시한다. 핵심 아이디어는 조영술 영상에서 추출한 혈관 중심선 기반의 kymograph를 1차원 대류‑확산(PDE) 모델에 매핑하고, 이를 물리‑정보 신경망(PINN)으로 학습시키는 것이다. 모델은 세 개의 서브넷워크(대조 농도 I(s,t), 축방향 속도 u(s), 유효 확산계수 D(s,t))를 각각 완전 연결 MLP 구조로 구현하고, 각 서브넷은 잠재 변수 z와 결합해 입력을 보강한다. z는 가우시안 변분 사후분포 qφ(z)로 추정되며, KL 발산을 통해 사전 p(z)와 정규화된다. 이는 영상 품질 저하, 대조제 주입 불균형, 심장 움직임 등 관측되지 않은 요인을 확률적으로 반영한다.

학습 손실은 L_data(관측 kymograph와 I의 L2 차이), L_PDE(대류‑확산 방정식의 잔차), λ_KL·KL(q‖p) 세 항의 가중합으로 구성된다. 자동 미분을 이용해 공간·시간 미분을 계산하고, 물리적 일관성을 강제한다. 특히, 고 Peclet 수(≈4000) 조건에서 대류항이 우세함을 이용해 확산항을 정규화 역할로 제한함으로써 급격한 전선(contrast front)에서의 수치적 불안정을 완화한다.

추론 단계에서는 z를 100번 몬테카를로 샘플링해 각 샘플에 대해 u_rest(s)와 u_hyper(s)를 얻고, 이를 길이 평균하여 CFR_i = \bar{u}_hyper / \bar{u}_rest을 계산한다. 최종 CFR은 샘플 평균과 95 % 신뢰구간으로 보고, 불확실성 보정이 가능한 점이 기존 PINN 기반 방법과 차별화된다.

실험은 두 축으로 진행된다. 첫째, 합성 조영술 데이터를 이용해 노이즈·아티팩트 수준을 조절하며 모델의 정확도와 캘리브레이션을 검증하였다. 둘째, 실제 임상에서 열희석법으로 측정된 CFR(20명)과 비교했을 때, 스피어만 상관계수와 Bland‑Altman 분석에서 높은 일치성을 보였다. 또한, 불확실성 구간이 실제 측정값을 95 % 이상 포함함을 확인해 모델이 과신하지 않음을 입증했다.

제한점으로는 1차원 혈관 중심선 가정, LAD에만 초점, 그리고 대조제 주입 프로파일이 일정하다는 전제가 있다. 향후 3D 혈관 모델링, 다관절 데이터(다중 뷰) 통합, 그리고 대규모 임상 코호트 검증이 필요하다.