Deformable Medical Image Registration with KAN-based Implicit Neural Representations

두 장의 사진이 같은 방을 찍은 것이지만, 하나는 각도가 약간 다르거나 가구가 재배치된 상황을 상상해 보세요. 당신의 뇌는 두 번째 사진을 첫 번째 사진에 완벽하게 맞추기 위해 어떻게 '밀고 늘려야' 하는지 즉각적으로 알아차립니다. 이 정신적 기술을 **이미지 등록(image registration)**이라고 부르며, 의학계에서는 이것이 하나의 초능력이 됩니다. 의사들은 환자의 폐, 뇌, 또는 심장의 스캔 데이터를 서로 다른 시간대나 서로 다른 기기로 촬영했을 때 이를 정렬하는 데 이 기술을 사용합니다. 만약 이 이미지들을 완벽하게 정렬하지 못한다면, 종양이 자라고 있는지, 심장 근육이 약해지고 있는지, 혹은 치료가 효과를 거두고 있는지 판단할 수 없습니다.

오랫동안 컴퓨터는 픽셀을 하나씩 이리저리 옮기는 무식한 힘(brute force)을 사용하여 이 작업을 수행하려 했으며, 이는 느리고 까다로웠습니다. 그러다 과학자들이 "신경망(neural networks)"을 발명했습니다. 이는 수천 개의 사례를 관찰하며 학습하는 컴퓨터 뇌입니다. 이 새로운 컴퓨터들은 놀라울 정도로 빨라졌지만, 한 가지 단점이 있었습니다. 바로 학습 규칙을 배우기 위해 엄청난 양의 '훈련 데이터 뷔페'를 먹여줘야 한다는 것이었습니다. 만약 의사가 학습 뷔페에 포함되지 않은 희귀한 유형의 스캔이나 특정 장기를 가져온다면, 컴퓨터 뇌는 혼란에 빠져 실수를 저지를 것입니다. 이는 마치 요리사에게 피자 레시피만 보여주며 새로운 요리를 배우라고 가르치는 것과 같아서, 요리사는 초밥을 만드는 데 어려움을 겪게 될 것입니다.

이 논문은 방대한 양의 예시 라이브러리 없이도 컴퓨터가 의료 영상을 정렬하는 방법을 가르치는 영리한 새로운 방식을 소개합니다. 수천 장의 사진을 암기하는 대신, 컴퓨터는 지금 보고 있는 단 두 장의 이미지만을 위해 매끄럽고 연속적인 지도를 그리는 법을 배웁니다. 이는 마치 기성복이 가득한 옷장이 있는 디자이너가 아니라, 단 한 명의 고객을 위해 즉석에서 치수를 재고 완벽한 옷을 재단하는 숙련된 재단사와 같습니다. 연구진은 **콜모고로프-아놀드 네트워크(Kolmogorov-Arnold Network, KAN)**라는 새로운 종류의 수학적 도구를 사용했습니다. 기존의 컴퓨터 뇌가 고정되고 경직된 규칙(예: 미리 설정된 레시피)을 사용하는 반면, KAN은 환자의 해부학적 구조에 맞춰 늘어나고 휘어질 수 있는 "학습 가능한" 규칙을 사용하여 마치 점토처럼 형태를 맞춥니다.

레모노소프 모스크바 국립대학교의 연구진이 이끄는 팀은 두 가지 버전의 새로운 시스템인 KAN-IDIR과 RandKAN-IDIR을 구축했습니다. 그들은 이 시스템들을 세 가지 매우 다른 의료적 과제, 즉 폐 CT 스캔(호흡 때문에 많이 움직임), 뇌 MRI 스캔(매우 정밀함), 그리고 심장 MRI 스캔(박동하며 형태가 변함)에 테스트했습니다.

그들이 발견한 결과는 다음과 같습니다. 새로운 시스템은 놀라울 정도로 정확했으며, 종종 기존의 최선책들과 대등하거나 그 성능을 능가했습니다. 하지만 진짜 마법은 그 작동 방식에 있었습니다. 각 이미지 쌍을 위해 처음부터 학습하려고 시도했던 기존 방식들은 때때로 "떨림(jittery)" 현상을 보였습니다. 즉, 컴퓨터를 시작할 때 약간 다른 무작위 설정(예: 주사위를 다르게 굴리는 것)으로 시작하면 결과가 크게 달라졌습니다. 반면, 새로운 KAN 기반 방식은 매우 견고했습니다. 어떤 방식으로 시작하든 동일한 고품질의 결과를 만들어냈습니다. 이는 연구자들이 운 좋거나 운 나쁜 시작을 걱정할 필요 없이 결과를 신뢰할 수 있다는 점에서 과학계에 매우 중요한 의미를 갖습니다.

연구진은 또한 시스템을 더 빠르게 만드는 방법도 발견했습니다. 지도를 구성하기 위해 모든 구성 요소를 사용하는 대신 몇 개의 "빌딩 블록"을 무작위로 선택함으로써 RandKAN-IDID를 만들었습니다. 이 버전은 표준 버전보다 약 30% 더 빨랐으며(폐 스캔에서 63초 대신 43초 소요), 높은 정확도를 그대로 유지했습니다. 이는 완벽한 벽을 쌓기 위해 창고에 있는 모든 벽돌을 사용할 필요 없이, 적절한 벽돌을 똑똑하고 무작위로 선택하는 것만으로도 충분히 잘 해낼 수 있다는 것을 깨달은 것과 같습니다.

이 논문은 좋은 결과를 얻기 위해 반드시 방대한 데이터셋이 필요하다는 생각에 명시적으로 반론을 제기합니다. 그들은 사전 훈련된 "뇌"가 수천 장의 이미지를 먹고 자랄 필요가 없는 이들의 방식이 폐 등록과 같은 특정 작업에서 빅데이터 모델보다 더 뛰어나다는 것을 보여주었습니다. 또한, 실시간으로 어떤 빌딩 블록을 사용할지 "학습"하려고 시도하는 더 복잡한 버전의 아이디어를 검토한 결과, 그것이 너무 느리고 단순한 무작위 접근 방식에 비해 실제로 개선된 결과를 보여주지 못한다는 점을 밝혀냈습니다.

요약하자면, 이 논문은 경직된 레시피나 방대한 기억 저장소 대신 유연한 수학적 "점토"(KAN)를 사용함으로써, 우리가 의료 영상을 더 빠르고, 더 안정적이며, 더 적은 컴퓨팅 자원으로 정렬할 수 있음을 시사합니다. 저자들은 실제 데이터셋을 통해 이러한 결과를 측정했으며, 그들의 방식이 오류가 적고 최종 이미지에서 "접히거나" 뒤틀린 부분이 적게 발생한다는 것을 확인했습니다. 이는 정밀하고 재현 가능한 결과가 필요한 의사와 연구자들에게 매우 유망한 도구임을 보여줍니다.