ECGFlowCMR: ECG 기반 cine CMR 사전학습으로 심장 질환 분류와 표현형 예측 향상

초록

**
본 논문은 저비용·고접근성의 12‑lead ECG 신호를 이용해 cine CMR 영상을 생성하고, 이를 대규모 사전학습 데이터로 활용해 심장 질환 분류와 표현형 예측 성능을 크게 향상시키는 ECGFlowCMR 프레임워크를 제안한다. 핵심은 심장 주기 정보를 학습하는 Phase‑Aware Masked Autoencoder(PA‑MAE)와 해부학‑운동을 분리하는 Anatomy‑Motion Disentangled Flow(AMDF)이다. UK Biobank 및 자체 임상 데이터셋 실험을 통해 합성 CMR이 실제 데이터와 구별하기 어려울 정도의 품질을 보이며, 다운스트림 태스크에서 기존 방법 대비 유의미한 정확도 상승을 입증한다.

**

상세 분석

**
ECGFlowCMR은 두 가지 근본적인 교차‑모달 문제를 해결한다. 첫째, 다중 비트 ECG가 10초 정도의 길이로 여러 심장 주기를 포함하는 반면, cine CMR은 보통 50프레임의 단일 주기만을 담고 있어 시간 정렬이 모호하다. 이를 위해 저자들은 PA‑MAE를 설계했는데, 입력 ECG를 마스크하고 복원하는 기본 MAE 구조에 심장 위상(sin, cos 형태) 예측 헤드를 추가한다. 위상 라벨은 Lead II의 R‑peak를 검출해 정규화된 0‑2π 구간으로 변환하고, 모델은 L2 손실로 학습한다. 이렇게 얻어진 위상 정보는 ROI Align을 통해 ECG 시퀀스를 정확히 50프레임으로 재샘플링함으로써 CMR과의 시간적 일치를 보장한다.

둘째, ECG는 전기적 활동만을 반영하므로 해부학적 세부 구조를 직접 제시하지 못한다는 ‘해부학 관측 격차’를 메우기 위해 AMDF를 도입한다. AMDF는 3D‑VAE를 이용해 CMR 영상에서 시간에 불변인 해부학적 템플릿(zₐ)을 추출하고, 이를 고정된 구조적 앵커로 사용한다. 이후 Diffusion Transformer 기반의 Flow‑Matching 네트워크가 ECG‑조건화된 속도장(vₜ)을 예측해 템플릿에 적용, 시계열적으로 일관된 변형을 생성한다. 이 과정에서 정규화된 흐름 손실(flow matching loss)과 재구성 손실을 동시에 최소화해 해부학적 정확성과 운동 연속성을 동시에 달성한다.

학습 단계에서는 PA‑MAE와 3D‑VAE를 각각 독립적으로 사전학습한 뒤, AMDF의 Flow‑Matching 네트워크를 ECG와 CMR 페어에 대해 공동 최적화한다. 생성된 cine CMR은 픽셀‑레벨 MSE와 구조‑운동 지표(SSIM, PSNR, EF‑error)에서 실제 데이터와 거의 구분이 안 될 정도의 품질을 보이며, 전문가 평가에서도 높은 신뢰도를 얻는다.

사전학습 활용 측면에서는, 합성 CMR을 대규모 데이터셋(>100k)으로 확장해 ResNet‑3D, ViViT 등 다양한 백본 모델을 미세조정하였다. 심장 질환(예: 심근증, 심방세동) 분류에서는 AUROC가 0.87→0.92로, 표현형(예: LVEDV, LVEF) 회귀에서는 MAE가 5.2 ml→3.8 ml로 개선되었다. 특히 외부 임상 데이터(535명)에서도 성능 저하가 미미해 모델의 일반화 능력이 검증되었다.

전체적으로 ECGFlowCMR은 (1) ECG 기반 위상 정렬을 통한 시간적 일치, (2) VAE‑기반 정적 해부학 템플릿과 Diffusion‑Transformer 기반 동적 흐름 결합이라는 두 축으로 교차‑모달 합성의 핵심 난제를 해결한다. 이는 고비용·고노이즈 CMR 데이터 의존성을 크게 완화하고, 대규모 사전학습 기반 심장 영상 분석 파이프라인을 구축하는 데 중요한 전진을 의미한다.

**