뇌소스 재구성을 위한 물리 기반 역해 초기화 3D 신경망

초록

본 논문은 EEG 소스 로컬라이제이션 문제에 물리 기반 pseudo‑inverse(eLORET​A)를 초기값으로 사용하고, 3차원 U‑Net 구조의 CNN으로 이를 정제하는 하이브리드 모델 3D‑PIUNet을 제안한다. 시뮬레이션 및 실제 시각 과제 데이터를 통해 기존 최소노름, sLORETA 등 전통적 방법과 순수 end‑to‑end 딥러닝 모델보다 높은 위치 정확도와 잡음 내성을 보이며, 전방 모델이 바뀌어도 재학습 없이 적용 가능함을 입증한다.

상세 분석

3D‑PIUNet은 두 단계의 설계 철학을 결합한다. 첫 번째 단계는 물리적 선형 모델 y = Lx + ε의 역해를 제공하는 eLORET​A pseudo‑inverse L† 를 이용해 EEG 측정값 y 를 3차원 소스 공간 ℝ³ᴺ 으로 직접 매핑한다. 이 과정은 전방 모델의 기하학적·전도성 정보를 완전하게 보존하면서, 입력 차원을 센서 수 M 에 의존하지 않게 만든다. 따라서 피험자별 혹은 장비별 lead‑field가 달라져도 L†만 교체하면 동일한 네트워크를 재사용할 수 있다.

두 번째 단계는 변환된 3D 볼륨 x̃ = L†y 를 입력으로 하는 3D U‑Net이다. U‑Net은 인코더‑디코더 구조와 스킵 연결을 통해 다중 스케일의 공간 정보를 효율적으로 전달한다. 논문에서는 32 × 32 × 32 격자를 32채널 피처맵으로 확장한 뒤, 2배씩 다운샘플링하여 8 × 8 × 8 볼륨에 도달하고, 여기서 공간‑어텐션 블록을 삽입해 voxel 간 상호작용을 강화한다. 디코더는 동일한 스케일로 업샘플링하면서 스킵 연결을 통해 고해상도 세부 정보를 복원한다. 최종 출력은 원본 소스 차원 ℝ³ᴺ 과 동일한 형태이며, 손실 함수는 실제 시뮬레이션 소스와의 L2 차이를 최소화한다.

핵심적인 기술적 기여는 (1) pseudo‑inverse를 비학습 “입력 레이어”로 활용해 물리적 제약을 네트워크에 명시적으로 주입함으로써 학습 부담을 크게 감소시킨 점, (2) 3D CNN을 통해 소스 공간의 공간적 연관성을 직접 모델링함으로써 기존 2D 혹은 1D 시계열 기반 접근법보다 구조적 정밀도를 높인 점, (3) 다양한 소스 분포(점, 클러스터, 확산)와 SNR 조건을 포괄한 대규모 시뮬레이션 데이터셋으로 사전 학습하고, 실제 시각 과제 EEG에 그대로 적용해 시각 피질을 정확히 복원함으로써 실용성을 검증한 점이다.

실험 결과는 세 가지 축에서 우수성을 보여준다. 첫째, 위치 오차(Latency‑Error)와 정밀도‑재현율(F1‑score)에서 eLORET​A 단독보다 평균 15 %~25 % 개선되었다. 둘째, 잡음 수준이 -10 dB까지 악화돼도 성능 저하가 완만했으며, 이는 pseudo‑inverse 단계에서 이미 잡음 억제가 이루어지고, CNN이 남은 잔차를 학습적으로 보정하기 때문이다. 셋째, 센서 수를 64→128으로 변경하거나, 다른 head model(예: MNI vs. 개인 맞춤)로 교체해도 재학습 없이 동일한 L†만 교체하면 성능이 유지되었다. 이는 전통적 end‑to‑end 딥러닝이 forward model에 과도하게 의존하는 단점을 극복한 사례라 할 수 있다.

한계점으로는 (a) pseudo‑inverse가 완전한 컬럼 랭크를 갖지 않을 경우 정보 손실이 발생할 수 있다는 점, (b) 현재는 단일 타임포인트(공간)만을 다루며, 시간적 연속성을 활용한 동적 소스 추정에는 추가적인 RNN 혹은 트랜스포머 모듈이 필요할 수 있다는 점을 들 수 있다. 향후 연구에서는 (i) 시간‑공간 결합 아키텍처로 확장하고, (ii) 실제 임상 데이터(예: 발작 전위 탐지)에서의 일반화 성능을 검증하며, (iii) pseudo‑inverse 단계에 베이지안 불확실성 추정기를 삽입해 신뢰 구간을 제공하는 방향을 제안한다.