1. 문제 정의 (Problem Statement)

• 배경: 혈관, 폐 기관지, 신경망 등 생체 내 곡선형 (curvilinear) 구조는 공간 그래프 (Spatial Graph) 로 표현됩니다. 이러한 구조의 정확한 모델링은 질병 진단 및 생체 역학 연구에 필수적입니다.
• 도전 과제:
  • 고해상도 3D 공간 그래프는 노드와 엣지의 수가 매우 많아 기존 알고리즘으로 처리하기 computationally challenging (계산 비용이 매우 높음) 합니다.
  • 기존 그래프 모델링 방법들은 복잡한 위상 구조를 가진 대규모 네트워크를 다루기 위해 단순화된 구조, 작은 서브그래프, 또는 트리 (Tree) 형태의 그래프만 고려하는 한계가 있었습니다.
  • 기존 3D 형상 토크나이저 (Shape Tokenizer) 들은 표면 (Surface) 점들을 기반으로 하여, 높은 표면적 - 부피 비율 (High Surface-to-Volume Ratio) 을 가진 혈관과 같은 관형 (Tubular) 구조에는 비효율적입니다.
• 목표: 위상적으로 복잡하고 대규모인 3D 공간 그래프를 고충실도 (High-fidelity) 이면서도 계산적으로 처리 가능한 잠재 표현 (Latent Embeddings/Tokens) 으로 변환하는 프레임워크 개발.

2. 제안 방법론 (Methodology: VesselTok)

저자들은 VesselTok이라는 새로운 토크나이저 프레임워크를 제안하며, 다음과 같은 핵심 기법을 사용합니다.

가. 중심선 기반 관형 표현 (Centerline-based Tubular Representation)

• 가상 반경 (Pseudo-radius): 혈관 반경은 중심선 좌표에서 회귀 (Regression) 로 추정 가능하다고 가정하고, 학습 중에는 중심선 점들에 고정된 '가상 반경 (Pseudo-radius)'을 할당합니다. 이는 모델이 대규모 3D 기하학과 위상 구조 학습에 집중하도록 하여, 반경 분포의 스케일 불균형 문제를 해결합니다.
• 그래프 점유 필드 (Graph Occupancy Field): 중심선 그래프를 3D 공간에서 두꺼운 관형 표면 (Tubular Surface) 으로 변환하여 연속적인 점유 필드 (Occupancy Field, $\phi_r$) 로 정의합니다. 이는 점의 수나 위치에 무관한 불변성을 가지며, 관형 구조의 특성을 효과적으로 포착합니다.

나. 아키텍처 (Encoder-Decoder Transformer)

• 인코더 (Encoder): 전처리된 중심선 점 구름 (Point Cloud) 에서 특징을 추출합니다.
  • Farthest Point Sampling (FPS) 을 통해 쿼리 점 (Query Points) 을 초기화합니다.
  • Fourier Positional Encoding 을 적용하고, Cross-Attention 과 Self-Attention 레이어를 통해 연속적인 잠재 토큰 (Latent Tokens, $Z$) 을 생성합니다.
• 디코더 (Decoder): 잠재 토큰 $Z$를 입력받아 그래프 점유 필드 $\tilde{\phi}_\theta$를 재구성합니다.
  • 3D 그리드에서 샘플링된 쿼리 점들에 대해 Cross-Attention 을 통해 점유 확률을 예측합니다.
  • 예측된 점유 필드에서 스키레토나이제이션 (Skeletonization) 알고리즘을 적용하여 이산적인 중심선 그래프로 복원합니다.

다. 학습 및 추론

• 학습 목표: 재구성 손실 (Binary Cross Entropy) 과 잠재 공간의 KL-Divergence 를 최소화합니다. 불균형한 데이터 (관형 구조의 경계점) 를 고려하여 쿼리 점 선택 전략을 적용합니다.
• 생성 및 역문제: 학습된 잠재 공간에서 Diffusion Model (EDM) 을 사용하여 새로운 그래프를 생성하거나, 불완전한 그래프의 연결을 예측 (Link Prediction) 하는 등 다양한 다운스트림 태스크에 활용됩니다.

3. 주요 기여 (Key Contributions)

1. VesselTok 제안: 3D 공간 그래프를 위한 최첨단 토크나이저로, 관형 구조의 암시적 표현 (Implicit Representation) 을 활용하여 다양한 곡선형 생체 구조에 일반화 가능한 잠재 표현을 학습합니다.
2. 생성 모델링 성능 입증: VesselTok 의 잠재 표현을 사용하여 조건부 (Conditional) 및 무조건부 (Unconditional) 그래프 생성이 가능하며, 복잡한 3D 위상 구조를 효과적으로 포착함을 보여줍니다.
3. 역문제 해결: 학습된 생성 사전 (Generative Prior) 을 활용하여 연결 예측 (Link Prediction) 과 같은 역문제 (Incomplete graph repair) 를 해결할 수 있음을 증명합니다.

4. 실험 결과 (Results)

• 데이터셋: 기관지 (ATM, AIIB, AeroPath), 뇌 혈관 (COSTA, TopCoW), 폐 혈관 (HiPas, PARSE, Pulmonary-AV), 신장 혈관 등 다양한 생체 데이터에서 평가.
• 재구성 성능 (Reconstruction):
  • 비교 대상: 3DShape2VecSet, Hunyuan3D 2.0 등 기존 3D 형상 토크나이저.
  • 성과: 모든 데이터셋에서 clDice(중심선 충실도) 가 가장 높고, Chamfer Distance(기하학적 오차) 와 Betti Error(위상 오차) 가 가장 낮았습니다. 특히 위상적 연결성과 루프 구조를 잘 보존했습니다.
• 일반화 능력 (Generalization):
  • 훈련 데이터에 포함되지 않은 신장 혈관 (Renal Vasculature, 10 만 개 이상의 노드) 과 Willis 환 (Circle of Willis) 에서도 뛰어난 재구성 성능을 보였습니다.
  • 인위적으로 절단된 (Sagittal-cut) 비정상적인 해부학 구조에서도 견고한 성능을 유지했습니다.
• 생성 모델링 (Generative Modeling):
  • Diffusion 모델과 결합하여 생성된 그래프가 실제 데이터 분포와 유사함을 FID, MMD, Coverage 지표로 입증했습니다.
  • 생성된 그래프의 위상적 특성 (연결 성분 수, 루프 수) 이 실제 데이터와 잘 정렬되었습니다.
• 다운스트림 태스크 (Link Prediction):
  • 불완전한 혈관 그래프의 누락된 연결을 복원하는 태스크에서 기존 Autodecoder 기반 방법보다 우수한 성능을 보였습니다.

5. 의의 및 중요성 (Significance)

• 계산 효율성: 기존 방법들이 직면한 대규모 그래프 처리의 계산 병목 현상을 해결하며, 고충실도 합성을 가능하게 합니다.
• 도메인 특화 설계: 일반적인 3D 형상 토크나이저와 달리, 혈관/기관지와 같은 관형 (Tubular) 구조의 고유한 특성 (높은 표면적 - 부피비, 중심선 기반) 에 최적화된 설계를 제공합니다.
• 임상 및 연구 적용 가능성:
  • 질병 진단: 혈관 네트워크의 이상 (결손, 비정상적 분기) 을 탐지하거나 보정하는 데 활용 가능.
  • 데이터 증강: 실제 획득이 어려운 생체 데이터의 합성 생성을 통해 학습 데이터 부족 문제 해결.
  • 역문제 해결: 저해상도 또는 손상된 영상 데이터로부터 완전한 3D 혈관 구조를 복원하는 데 핵심 기술로 작용할 수 있습니다.

결론적으로, VesselTok 은 생체 네트워크의 복잡한 위상과 기하학을 효율적으로 압축하고 재구성할 수 있는 강력한 기반 모델 (Foundation Model) 로서, 대규모 생체 네트워크 분석의 새로운 패러다임을 제시합니다.