심장 전기생리학을 위한 기하 독립 연산자 학습 통합 프레임워크

초록

본 논문은 복잡하고 환자마다 다른 심장 형태에 대해, 메쉬와 좌표계에 의존하지 않는 신경 연산자를 학습할 수 있는 통합 프레임워크를 제안한다. 심장 전기생리학의 핵심 출력인 지역 활성시간(LAT) 지도를, 심장 표면에 정의된 고유 좌표계(Universal Atrial Coordinates, Universal Ventricular Coordinates)로 변환한 뒤, 동일한 내재 좌표 공간에서 입력·출력을 표현한다. 이를 통해 다양한 해부학적 변형과 메쉬 해상도 차이를 학습 과정에서 분리하고, GPU 기반 대규모 시뮬레이션 데이터셋(30만 개 이상)으로 훈련된 맞춤형 신경 연산자는 기존 DeepONet·FNO·WNO 등 대비 높은 정확도와 구조적 유사성을 보이며, 실시간 추론이 가능함을 입증한다. 또한 같은 좌표 표현을 이용해 심장 기계학습(볼륨 변형)에도 적용 가능함을 시연한다.

상세 분석

이 연구는 “기하 독립 연산자 학습”이라는 근본적인 문제에 대한 새로운 해법을 제시한다. 기존 신경 연산자(DeepONet, FNO 등)는 입력·출력 필드를 고정된 격자 혹은 동일한 좌표계에 매핑해야 하는 제약이 있었으며, 이는 복잡한 해부학적 변형을 가진 장기(특히 심장) 모델에 적용하기 어려웠다. 저자들은 이를 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 심장 표면·부피에 정의된 내재 좌표계(UAC, UVC)를 사용해 모든 환자별 메쉬를 동일한 2‑D(심방) 혹은 3‑D(심실) 좌표 도메인으로 투사한다. 이 좌표는 해부학적 의미(예: 심방의 전극 위치, 심실의 근육 섬유 방향)를 보존하면서도 토폴로지와 스케일 차이를 정규화한다. 둘째, 변환된 좌표 공간에서 입력 파라미터(전도도, 이방성 비율, 표면 면적 등)와 출력 LAT 맵을 동시에 학습한다. 학습 과정은 H¹ 손실에 총변동(TV)과 라플라시안 정규화를 추가해 고주파 잡음을 억제하고, 공간적 연속성을 강화한다.

데이터 구축 측면에서도 주목할 만하다. 저자들은 GPU 가속 FEM 솔버를 활용해 147명의 환자(100명 + 47명) 각각에 대해 7개의 펄스 부위와 300개의 전도 파라미터 조합을 시뮬레이션, 총 308,700개의 고해상도 LAT 맵을 생성했다. 이는 현재 공개된 심장 전기생리학 데이터셋 중 가장 규모가 큰 편에 속한다. 생성된 모든 맵은 UAC/UVC 좌표에 투사돼 동일한 입력 차원을 갖게 된다.

실험 결과는 세 가지 차원에서 의미 있게 나타난다. (1) 입력 피처 민감도 분석에서 표면 면적과 좌표 자체가 성능에 가장 크게 기여함을 확인했으며, 섬유 방향 피처는 현재 표현 방식에서는 오히려 성능을 저하시켰다. 이는 좌표 변환 과정에서 이미 방향 정보를 충분히 내포하고 있음을 시사한다. (2) 정규화 효과 분석에서는 TV와 라플라시안 정규화를 동시에 적용했을 때 MAE와 SSIM 모두 최적값을 기록했으며, 단일 정규화만 적용했을 때는 개선 폭이 제한적이었다. (3) 기존 연산자와 CNN 기반 모델과의 비교에서는 제안 모델이 MAE 5.2 ms, SSIM 0.976을 달성해 모든 베이스라인을 앞섰다. 특히 FNO와 WNO는 복잡한 토폴로지와 잡음이 섞인 데이터에서 성능이 급격히 저하되는 반면, DeepONet은 ViT 기반 트렁크·브랜치 설계로 어느 정도 보완했지만 여전히 제안 모델에 미치지 못했다.

추가적으로, 단일 펄스 부위별 모델과 통합 모델을 비교했을 때, 통합 모델이 평균 MAE를 16.5 % 감소시키고 SSIM을 1.67 % 향상시켰다. 이는 모델이 전역적인 전기 전도 구조를 학습했음을 의미한다. 도메인 전이 실험에서는 두 데이터셋(A, B) 간의 좌표 분포 차이가 UMAP에서 명확히 드러났으며, 제안 모델은 이러한 도메인 시프트에도 비교적 견고한 성능을 유지했다. 마지막으로, 동일한 좌표 프레임워크를 이용해 심실 변형(볼륨 변형) 문제에도 적용해 성공을 보였으며, 이는 프레임워크가 전기·기계 두 분야에 일반화 가능함을 입증한다.

전반적으로 이 논문은 (1) 복잡한 해부학적 변이를 내재 좌표로 정규화, (2) 정규화된 좌표 공간에서 물리적 파라미터와 출력 필드를 공동 학습, (3) 대규모 GPU 시뮬레이션 파이프라인을 통한 데이터 확보, (4) 정교한 정규화와 모델 설계로 기존 연산자 대비 우수한 정확도와 실시간 추론을 달성한다는 점에서, 심장 전기생리학뿐 아니라 다양한 물리 기반 시뮬레이션 분야에 적용 가능한 강력한 방법론을 제시한다.