광학 역전 및 스펙트럼 언믹싱을 위한 물리 기반 신경망

초록

본 연구는 스펙트럼 광음향(sPA) 영상에서 비선형성 및 역문제의 어려움을 극복하기 위해 물리 정보를 내재한 오토인코더(SPOI‑AE)를 제안한다. 마우스 림프절의 in‑vivo sPA 데이터를 이용해 학습·검증했으며, 기존 선형 언믹싱 대비 높은 재구성 정확도와 생물학적으로 일관된 광학 파라미터·크로모포어 농도·산소포화도 추정값을 제공한다. 시뮬레이션 림프절 팬텀을 이용한 정량적 검증에서도 우수한 언믹싱 정확도를 확인하였다.

상세 분석

스펙트럼 광음향(sPA) 영상은 다중 파장 레이저 펄스를 이용해 조직 내 크로모포어의 흡수 스펙트럼을 측정하고, 이를 통해 혈류량, 산소포화도 등 기능적 정보를 추출한다. 전통적인 sPA 분석은 Beer‑Lambert 법칙에 기반한 선형 스펙트럼 언믹싱을 전제로 하지만, 실제 조직에서는 광산란, 비선형 흡수, 열전 효과 등 복합적인 물리 현상이 존재해 선형 모델이 크게 왜곡된다. 이러한 비선형성은 역문제의 ill‑posedness을 심화시켜, 실제 농도와 광학 파라미터를 직접 추정하기 어렵게 만든다.

본 논문은 이러한 한계를 극복하기 위해 물리‑정보를 명시적으로 네트워크 구조에 통합한 오토인코더인 Spectroscopic Photoacoustic Optical Inversion Autoencoder (SPOI‑AE)를 설계하였다. 인코더는 입력된 sPA 픽셀(다중 파장 강도)을 저차원 잠재 공간으로 압축하면서, 물리 모델(광학 흡수계수, 산란계수, 혈색소 농도, 산소포화도 등)의 제약을 손실 함수에 포함한다. 디코더는 잠재 변수로부터 재구성된 sPA 스펙트럼을 생성하고, 동시에 각 파라미터에 대한 추정값을 출력한다. 손실 함수는 (1) 재구성 오차(입력과 디코더 출력 간 L2 차이), (2) 물리 일관성 제약(예: 흡수계수는 파장에 따라 알려진 스펙트럼 형태를 따라야 함), (3) 정규화 항(잠재 변수의 분포를 가우시안에 가깝게 유지)으로 구성되어, 네트워크가 물리 법칙을 위반하지 않으면서 최적화되도록 유도한다.

학습 데이터는 실제 마우스 림프절에서 획득한 sPA 이미지이며, 여기서는 각 픽셀에 대한 실제 크로모포어 농도가 알려져 있지 않다. 따라서 전통적인 지도 학습이 불가능한 상황에서, SPOI‑AE는 비지도 방식으로 입력 스펙트럼 자체를 재구성하도록 학습한다. 이 과정에서 물리 제약이 네트워크를 올바른 파라미터 공간으로 안내한다는 점이 핵심이다.

성능 평가는 두 단계로 진행되었다. 첫째, 동일한 in‑vivo 데이터에 대해 기존 선형 최소제곱(LM) 언믹싱, 비선형 최적화 기반 방법, 그리고 제안된 SPOI‑AE의 재구성 품질을 비교하였다. SPOI‑AE는 평균 제곱 오차(MSE)와 구조적 유사도(SSIM)에서 현저히 우수했으며, 특히 저신호‑고노이즈 영역에서 선형 방법이 과소추정하거나 과대추정하는 현상을 크게 감소시켰다. 둘째, 시뮬레이션으로 만든 림프절 팬텀(알려진 혈색소 농도와 산소포화도)에서 정량적 검증을 수행하였다. 여기서 SPOI‑AE는 평균 절대 오차(MAE)가 5% 이하로, 기존 방법 대비 2~3배 높은 정확도를 보였다.

또한, 네트워크가 출력하는 파라미터는 생물학적 해석이 가능하도록 설계되었다. 예를 들어, 추정된 산소포화도는 조직 내 저산소 영역과 고산소 영역을 명확히 구분했으며, 이는 조직 병리학적 상태(예: 종양성 변형)와 연관된 잠재적 바이오마커로 활용될 수 있다. 네트워크의 일반화 능력도 검증했는데, 다른 파장 조합이나 다른 조직(간, 근육)에 적용했을 때도 재구성 품질이 크게 저하되지 않았다. 이는 물리‑정보가 네트워크의 과적합을 방지하고, 실제 물리 현상을 반영하도록 돕는 역할을 함을 시사한다.

요약하면, SPOI‑AE는 (1) 물리 제약을 손실 함수에 통합한 비지도 학습 프레임워크, (2) 비선형 sPA 신호를 효과적으로 역전시켜 정확한 크로모포어 농도와 광학 파라미터를 추정, (3) 기존 선형 및 비선형 방법 대비 재구성 정확도와 생물학적 일관성을 크게 향상시킨다. 향후 임상 현장에서는 실시간 영상 처리와 다기관 데이터셋을 통한 추가 검증이 필요하지만, 본 연구는 sPA 영상의 정량적 활용을 위한 중요한 전환점을 제공한다.