물리 인식 신경 연산자를 활용한 3차원 광음향 촬영 직접 역변환

초록

본 논문은 3D 광음향 컴퓨테이션 톰그래피(PACT)에서 원시 센서 데이터로부터 고품질 3D 영상을 직접 복원하는 물리‑인식 신경 연산자(PANO)를 제안한다. 구형 이산‑연속 컨볼루션과 Fourier Neural Operator를 결합해 센서 샘플링 밀도에 무관하게 작동하며, 헬름홀츠 방정식 기반 물리 손실을 통해 물리적 일관성을 유지한다. 시뮬레이션 및 실제 팬텀 실험에서 기존 UBP 및 딥러닝 기반 디노이저 대비 33%·14%의 코사인 유사도 향상을 보이며 실시간 추론이 가능하다.

상세 분석

PANO는 “신경 연산자”라는 프레임워크를 기반으로, 함수 공간 사이의 매핑을 학습한다는 점에서 기존 픽셀‑단위 CNN과 근본적으로 차별화된다. 입력은 hemispherical 배열에 배치된 초음파 트랜스듀서가 기록한 RF 신호 Ψ이며, 이는 θ(극각), φ(방위각), k(주파수) 좌표계에서 3차원 텐서 형태로 제공된다. 첫 단계에서 각 주파수 슬라이스 Ψ_k에 대해 DISCO(Discrete‑Continuous Convolution) 블록을 적용한다. DISCO는 구면 좌표계에서의 이산‑연속 컨볼루션을 구현해, 센서가 균일하게 혹은 불균일하게 샘플링된 경우에도 동일한 연산을 수행하도록 설계되었다. 이는 전통적인 2D 컨볼루션이 구면 기하를 무시하고 발생시키는 에지 효과와 샘플링 편향을 효과적으로 제거한다.

다음으로, 모든 주파수별 로컬 특징을 Concatenation 후 Fourier Neural Operator(FNO)로 전달한다. FNO는 전역적인 주파수 상관관계를 학습하고, 구면 좌표를 Cartesian 좌표로 변환하는 좌표 변환 역할도 수행한다. 이 과정에서 고주파 성분은 세밀한 구조 복원에, 저주파 성분은 전역적인 강도 분포에 기여한다는 물리적 직관을 반영한다.

그 후, 3D U‑Net이 다중 스케일 디코더‑인코더 구조로 전역·국부 특징을 정제하여 최종 3D 초기 압력 분포 P̂를 출력한다. 여기서 중요한 점은 “사이클 일관성”을 위한 물리 손실이다. 복원된 P̂를 다시 전방 연산자 A(헬름홀츠 방정식 기반)로 투사해 Ψ̂를 생성하고, 원본 Ψ와의 L2 차이를 물리 손실로 추가한다. 이 손실은 네트워크가 물리적으로 불가능한 솔루션을 학습하는 것을 방지하고, 특히 노이즈가 심하거나 데이터가 부족한 상황에서 안정성을 크게 향상시킨다.

PANO의 가장 큰 강점은 “해상도‑불변성”이다. 한 번 훈련된 모델은 입력 센서의 샘플링 비율(6×, 10×, 제한 각도 등)이 바뀌어도 재학습 없이 바로 적용 가능하다. 이는 신경 연산자가 입력 함수 공간을 직접 매핑하기 때문에, 격자 크기와 무관하게 동일한 연산을 수행할 수 있기 때문이다. 실험에서는 33%의 센서 수 감소(6× 균일 서브샘플링)에도 불구하고 UBP 대비 코사인 유사도 10%p 상승, 실시간(≈30 fps) 추론 속도를 달성했다.

한계점으로는 현재 모델이 손실 없는 균일 매질을 가정하고, 전파 손실·비선형 효과를 포함하지 않은 점이다. 또한, 훈련 데이터가 주로 시뮬레이션 기반이므로 실제 조직의 복잡한 음향 특성에 대한 일반화는 추가적인 도메인 적응이 필요하다. 그럼에도 불구하고, 물리 손실과 구형 컨볼루션을 결합한 설계는 고차원 파동 역문제에 대한 새로운 패러다임을 제시한다.