PRISM: 해석 가능한 3D 확률 신경형태 모델링

초록

PRISM은 템플릿 기반 변위장을 조건부 이질분산 가우시안 필드로 모델링하고, 신경망으로 평균·공분산을 추정한다. 닫힌 형태의 피셔 정보량을 이용해 위치별 시간 불확실성을 해석적으로 계산하며, 역인코더를 통해 테스트 시 최적화 없이 개인의 내재적 발달 시점을 추정한다. 합성·임상 데이터에서 평균 궤적 재구성, 개인 시점 추정, 미래 형태 예측, OOD 탐지 등 다양한 작업에서 기존 방법을 능가한다.

상세 분석

PRISM은 기존 통계 형태 모델링과 신경 임플리시트 표현을 융합한 최초의 확률적 프레임워크로, 세 가지 핵심 기술적 혁신을 제시한다. 첫째, 변위장을 p(d|p,t)=N(μ(p,t),Σ(p,t)) 형태의 연속적인 조건부 가우시안 필드로 정의함으로써, 공간별·시간별 이질분산을 직접 모델링한다. 이는 템플릿 좌표 p가 고정된 상태에서 변위 d만을 확률변수로 두어, 변위와 위치 사이의 선형 변환이 공분산 구조에 영향을 주지 않음(Σ_y=Σ_d)이라는 중요한 수학적 성질을 활용한다. 둘째, μ와 Σ를 다중층 퍼셉트론(MLP)으로 파라미터화하고, 전체 데이터에 대해 음의 로그우도(NLL)를 최소화함으로써 효율적인 학습을 수행한다. 여기서 주목할 점은 Σ가 완전 양정(positive‑definite)임을 보장하기 위해 Cholesky 분해 혹은 로그-다이아고날 파라미터화를 사용했을 가능성이 높으며, 이는 자동 미분을 통한 안정적인 역전파를 가능하게 한다. 셋째, 시간 불확실성을 정량화하기 위해 피셔 정보량 I(p,t)=∂μ/∂tᵀ Σ⁻¹ ∂μ/∂t 형태의 닫힌 해를 도출한다. 이 식은 평균 궤적의 시간 미분과 공분산의 역행렬 사이의 내적으로 구성돼, 정보기하학적 관점에서 평균과 공분산 파라미터가 직교함을 수학적으로 증명한다(Amari, 2016). 결과적으로 I(p,t)의 역수는 위치별·시간별 최소 가능한 분산을 제공하며, 이는 Cramér‑Rao 한계에 직접 연결된다.

역인코더 g(p,d)는 MLE 기반의 최적화 문제를 amortized inference 형태로 전환한다. 학습 단계에서 f(p,τ)로부터 합성 (p,d,τ) 삼중항을 생성하고 L1 손실로 g를 학습함으로써, 테스트 시 개별 변위에 대해 즉시 내재적 시간 τ̂을 추정한다. 이는 기존의 반복적 최적화가 필요했던 LDDMM 기반 방법에 비해 수백 배의 속도 향상을 기대할 수 있다.

실험에서는 (1) 합성 데이터에서 시간·공분산이 복잡하게 변하는 상황, (2) 실제 뇌 MRI 데이터(예: 성장기 뇌)에서 연령에 따른 형태 변화를 다루었다. PRISM은 평균 궤적 재구성에서 기존 NAISR(Deterministic)와 LDDMM(Parametric)보다 높은 PSNR 및 낮은 RMSE를 기록했으며, 내재적 시간 추정 정확도에서도 MAE가 크게 감소했다. 또한, 미래 형태 예측 시 시계열 연속성을 유지하면서도 불확실성 맵을 제공, OOD 탐지에서는 로그우도 기반 임계값이 정상·비정상을 명확히 구분했다.

한계점으로는 (a) 템플릿 기반 전제 때문에 정확한 점대점 대응이 필요하고, (b) 고차원 변위 공간에서 Σ의 완전 양정성을 유지하기 위한 파라미터화가 메모리·연산 비용을 증가시킬 수 있다. 또한, 현재는 가우시안 가정에 의존하므로 비정규적 변이(예: 급격한 병변)에는 확장성이 제한될 수 있다. 향후 연구에서는 비가우시안 혼합 모델이나 베이지안 신경망을 도입해 모델 불확실성(에피스틱)까지 포괄하는 방향이 기대된다.