Harmonic-Aware Transformer for Real-Time Catheter Localization in Interventional Procedures of Magnetic Particle Imaging

기술 요약: MPI 내 실시간 카테터 위치 추적을 위한 조화 인지형 트랜스포머(Harmonic-Aware Transformer)

문제 정의
자기 입자 영상(Magnetic Particle Imaging, MPI)은 자성 나노입자가 코팅된 기구를 추적함으로써 중재 시술에 적합한 방사선 없는 실시간 영상 기술을 제공한다. 그러나 기존의 MPI 유도 중재 시술은 기구의 위치를 결정하기 위해 이미지 재구성 파이프라인(예: 시스템 행렬 역행렬 계산 또는 X-space 방식)에 의존한다. 이러한 전통적인 접근 방식은 높은 계산 지연 시간, 메모리 제약 및 잠재적인 이미지 블러링(blurring) 문제를 겪으며, 이는 진정한 실시간 추적을 저해한다. 딥러닝이 MPI의 이미지 재구성 및 노이즈 제거에 적용되어 왔으나, 중간 단계인 이미지 형성을 거치지 않고 원시 신호로부터 직접 기구의 좌표를 예측하는 방식은 드물다. 본 논문은 중간 이미지 생성 과정 없이 원시 MPI 전압 신호를 3D 카테터 팁 위치로 직접 매핑하는 저지연, 고정밀 프레임워크의 필요성을 다룬다.

방법론
저자들은 주파수 영역에서 직접 작동하는 조화 인지형 트랜스포머(Harmonic-Aware Transformer) 프레임워크를 제안한다. 방법론은 크게 세 가지 주요 단계로 구성된다:

1. 조화 인지 전처리 (Harmonic-Aware Preprocessing):

   • 세 개의 수신 코일($x, y, z$)로부터 얻은 원시 복소수 값 MPI 신호를 고속 푸리에 변환(FFT)을 통해 주파수 영역으로 변환한다.
   • 대역 통과 필터(band-pass filter)를 사용하여 구동 필드 주파수의 **2차에서 8차 고조파(harmonics)**를 추출한다. 기본 주파수는 변조 신호에 의해 지배되므로 제외하며, 고차 고조파는 노이즈가 지배적인 경우가 많다.
   • 필터링된 실수부와 허수부를 결합하여 6채널 주파수 영역 특징 벡터를 형성함으로써, 움직임 관련 스펙트럼 성분을 보존하는 동시에 신호 대 잡음비(SNR)를 향상시킨다.

2. 트랜스포머 아키텍처 (Transformer Architecture):

   • "카테터 트랜스포머"라 불리는 이 모델은 주파수 영역 신호를 패치 임베딩(patch-embed)하기 위해 1D 컨볼루션 레이어(커널 크기 $P=64$)를 사용한다.
   • 임베딩된 패치에 **사인 함수 기반 위치 인코딩(Sinusoidal positional encoding)**을 추가하여 시퀀스의 순서 정보를 유지한다.
   • 시퀀스는 6개의 인코더 레이어에 의해 처리되며, 각 레이어는 8개의 멀티 헤드 셀프 어텐션(MHSA) 헤드를 포함한다. 이 아키텍처는 스펙트럼 데이터 내의 장거리 시간 의존성 및 교차 축 상관관계($x, y, z$)를 포착하도록 설계되었다.
   • 어텐션 메커니즘 뒤에는 GELU 활성화 함수를 사용하는 위치별 피드포워드 네트워크(FFN)가 따른다.
   • 최종 인코딩된 표현은 평탄화(flattened)된 후 **2층 멀티레이어 퍼셉트론(MLP)**을 통과하여 3D 카테터 팁 좌표($\hat{x}, \hat{y}, \hat{z}$)를 회귀(regress)한다.

3. 학습 전략 (Training Strategy):

   • 모델은 가중 평균 절대 오차(Weighted Mean Absolute Error, MAE) 손실 함수를 사용하여 학습된다. 결정적으로, MPI의 선택장 기울기 방향을 따라 발생하는 본질적으로 낮은 공간 해상도를 보완하기 위해 $z$축에 더 높은 가중치($w_z > w_x = w_y$)를 할당한다.
   • 학습에는 코사인 어닐링 스케줄과 혼합 정밀도 가속(mixed-precision acceleration)이 적용된 AdamW 옵티마이저를 사용한다.
   • 데이터 증강에는 일반화 성능을 높이기 위한 진폭 스케일링(amplitude scaling)과 가우시안 노이즈 주입이 포함된다.

주요 기여

• 재구성 불필요 프레임워크 (Reconstruction-Free Framework): 원시 MPI 전압 신호를 3D 좌표로 직접 매핑하는 신호 기반 접근 방식을 도입하여, 계산 비용이 많이 드는 시스템 행렬 역행렬 계산 및 이미지 재구성 단계를 제거하였다.
• 조화 인지 전처리 (Harmonic-Aware Preprocessing): 움직임에 민감한 스펙트럼 특징을 유지하면서 SNR을 높이기 위해 2차~8차 고조파를 선택적으로 추출하는 새로운 전략을 제시하였다.
• 트랜스포머 기반 신호 모델링 (Transformer-Based Signal Modeling): MPI 신호에 특화된 트랜스포머 아키텍처를 적용하여, 정확한 3D 위치 추적을 위해 시공간적 스펙트럼 패턴과 교차 축 의존성을 모델링하였다.
• 포괄적 검증 (Comprehensive Validation): 시뮬레이션 데이터셋과 실제 in vitro 실험 데이터(표준, 굽힘, 심박동 운동 프로파일) 모두에 대한 광범위한 평가를 통해 다양한 운동 조건에서의 견고함을 입증하였다.

결과
제안된 방법은 서브 밀리미터(sub-millimeter) 단위의 위치 추적 정확도를 달성함과 동시에 유의미한 추론 속도 향상을 보여주었다:

• 정확도: 굽힘(bending) 데이터셋에서 모델은 최소 $L_2$ 오차 0.103 ± 0.092 mm를 기록하였으며, 평균 절대 오차(MAE)는 $x$축 0.039 ± 0.046 mm, $y$축 0.054 ± 0.049 mm, $z$축 0.060 ± 0.044 mm였다. 모든 데이터셋에 걸쳐 MAE는 0.165 mm에서 0.655 mm 사이였다.
• 성능: 최적화된 추론 모델은 0.55 ms의 프레임 지연 시간과 약 1,800 FPS의 처리량을 달성하였다. 이 처리량은 MPI 하드웨어의 데이터 획득 속도(약 23.2 Hz)를 크게 상회하므로 실시간 구현이 가능함을 확인시켜 준다.
• 절제 연구 (Ablation Studies): 실험을 통해 2차~8차 고조파 범위가 공간 정보와 노이즈 강건성 사이의 최적의 절충안임을 확인하였다. 또한, 가중치 적용 손실 함수가 축 간의 정확도 균형을 맞추는 데 결정적이며, 특히 $z$축 성능을 개선하는 데 중요함을 입증하였다.

의의
본 논문은 이 프레임워크가 이미지 재구성에 의존하는 추적 방식에서 직접적인 신호-위치 매핑 방식으로의 전환을 나타낸다고 주장한다. 이미지 재구성 파이프라인을 제거함으로써, 이 방법은 기존의 MPI 유도 접근 방식과 비교하여 개선된 정확도, 감소된 지연 시간 및 복잡한 운동 조건에서의 향상된 견고성을 제공한다. 결과는 조화 인지형 트랜스포머 모델이 실시간 카테터 위치 추적을 위한 효율적이고 확장 가능한 솔루션으로서 기능할 수 있음을 강조하며, 전통적인 방식의 계산적 병목 현상 없이 고속 추적을 가능하게 한다. 저자들은 현재의 검증이 in vitro 팬텀 및 시뮬레이션 데이터에 국한되어 있으나, 이 접근 방식이 향후 in vivo 적용 및 임상 적용을 위한 토대를 마련한다고 언급하였다.