신경 ODE 기반 물리정보 딥러닝으로 푸는 의료 영상 정합의 미래

신경 ODE와 물리정보 딥러닝을 활용한 2단계 의료 영상 정합 프로세스: Step 1에서 시각적 불일치를 최소화하는 예측 변형장을 생성하고, Step 2에서 물리적 타당성을 만족하도록 탄성에너지를 최소화하여 정합된 이미지를 생성한다.

의료 영상 분석 기술은 AI의 발전과 함께 빠르게 진화하고 있습니다. 특히 MRI나 CT 이미지처럼 시계열이나 3D 구조가 포함된 복잡한 데이터를 다룰 때, 단순한 기하학적 정합(affine transformation)만으로는 충분하지 않습니다. 최근 국제학술지 International Journal of Computer Vision에 게재된 한 논문에서는 이러한 한계를 극복하기 위해 신경 보통미분방정식(Neural ODE)과 물리정보 신경망(Physics-Informed Neural Networks, PINN)을 결합한 새로운 딥러닝 기반 정합 기법을 제안합니다.

왜 '물리정보'가 중요한가?

대부분의 기존 딥러닝 기반 영상 정합 방법은 이미지 간의 시각적 유사성을 최적화하는 데 중점을 둡니다. 하지만 인간 신체는 단순한 픽셀이 아니라 물리 법칙을 따르는 복잡한 조직 구조로 이루어져 있습니다. 특히 뇌, 심장, 태아 등은 성장(growth), 재형성(remodeling), 탄성변형(elastic deformation)과 같은 생체역학적 과정을 거칩니다. 이러한 점을 고려하지 않으면, 정합 결과는 시각적으로 비슷해 보여도 물리적으로는 의미 없는 왜곡일 수 있습니다.

논문의 핵심: Predictor-Corrector 프레임워크

1단계: Predictor

우선, 딥러닝 모델은 이미지 간의 시각적 불일치(mismatch loss)를 최소화하며 정합을 수행합니다. 이 단계에서는 작은 정규화 항(regularization term)을 사용하여 자유로운 변형을 허용함으로써 시각적으로 우수한 정합 결과를 얻습니다.

2단계: Corrector

여기서 등장하는 것이 물리 기반 최적화입니다. 앞서 얻은 변형장을 경계 조건으로 삼고, 전체 탄성 에너지(total potential energy)를 최소화하는 물리 문제를 풉니다. 이를 통해 실제 조직의 물리적 변형과 유사한 정합 결과를 확보합니다.

왜 Neural ODE인가?

정합 변형이 가역적(invertible)이고 부드러운 연속 함수여야만 진정한 물리적 의미를 갖습니다. 이를 위해 저자는 신경 보통미분방정식(Neural ODE) 아키텍처를 활용합니다. 이는 각 이미지 좌표를 시간축상의 연속적인 흐름(flow)으로 해석하여, 역함수 계산이 가능하고 미분 가능한 변형장을 학습할 수 있게 합니다.

다양한 생물학적 응용 예시

제브라피시의 꼬리지느러미 재생

해당 모델을 적용하여, 제브라피시 꼬리지느러미의 손상 후 재생 과정을 시계열 이미지로 분석했습니다. 특히 조직의 성장 위치와 시기별 물리적 스트레스를 정량화함으로써, 조직 재생을 유도하는 기계적 신호의 후보를 제시했습니다.

뇌 위축의 정량화 (Brain Atrophy)

노화로 인한 뇌 위축 현상도 분석에 포함되었습니다. 이 모델은 4년 간격의 뇌 MRI 데이터를 정합하고, 총 체적 감소량과 그에 따른 탄성 잔류응력까지 정량화할 수 있습니다. 실제로 약 5%에 이르는 체적 감소가 수치적으로 확인되었습니다.

태아 뇌의 성장 분석

임신 주차별(21~36주) 태아 뇌 데이터를 분석한 결과, 겉보기에는 균일하게 확장되는 것처럼 보이는 뇌가 실제로는 피질(cortex)과 내부 구조의 성장 속도 차이를 보이며 복잡한 비선형 성장을 한다는 점이 드러났습니다.

이 연구의 의의와 한계

이 연구의 가장 큰 장점은 기존의 딥러닝 정합 방식에 물리적 타당성을 부여했다는 점입니다. 특히 성장(growth)을 동적으로 모델링한 점은 향후 종양의 성장, 심장 리모델링 등 다양한 의생명학 분야에 폭넓게 활용될 수 있습니다.

다만, 계산 비용이 높고 학습에 수만 번의 에포크가 필요하다는 점은 실제 임상 적용에서 고려되어야 할 한계입니다. 또한 성장 속도 파라미터(κ)의 생물학적 해석은 추가 실험적 검증이 필요할 것입니다.

맺으며

이 연구는 영상 정합의 정밀도뿐 아니라, 그 안에 숨겨진 생체역학적 의미까지 끌어올릴 수 있다는 점에서 학술적·임상적으로 모두 가치가 큽니다. 향후에는 이 방식이 의료 AI의 표준 툴로 자리 잡을 가능성도 적지 않습니다.

출처

Lian J, Zhang Y, Dong K, Shi J, Zhang F, Shan G, Liu P, Wang N and Jia T (2025) Enhanced oral bioavailability of two Cistanche polysaccharides in acteoside: an in-depth analysis of intestinal flora, short-chain fatty acids, and pharmacokinetic regulation. Front. Nutr. 12:1509734.