파이썬 기반 비균일 FFT 패키지 PyNUFFT의 이종 플랫폼 가속 및 MRI 적용

본 논문은 파이썬 기반 비균일 빠른 푸리에 변환(NUFFT) 라이브러리인 PyNUFFT를 설계·구현하고, 이 라이브러리를 멀티코어 CPU와 GPU와 같은 이종 플랫폼에서 가속하는 방법을 제시한다. 서론에서는 FFT가 균일 격자 데이터에만 적용 가능한 한계와, 비카르테시안 MRI와 같은 분야에서 NUFFT가 필수적임을 강조한다. 기존 파이썬 환경은 GIL(Global Interpreter Lock) 때문에 멀티스레드 활용이 어려워 고성능 NUFFT 구현에 제약이 있었으며, 이를 극복하기 위해 OpenCL·CUDA 기반의 메타프로그래밍 도구(PyOpenCL, PyCUDA, Reikna)를 활용한다. 구현은 크게 네 부분으로 나뉜다. 첫째, **세 단계 NUFFT 파이프라인**(스케일링‑오버샘플링 FFT‑보간)이다. 스케일링은 복소수 배열을 인‑플레이스 곱셈으로 수행하고, 오버샘플링 FFT는 제로패딩 후 FFT를 수행한다. 보간 단계에서는 최소‑최대 커널을 기본으로 사용하며, 보간 행렬을 CSR 포맷으로 저장해 cSparseMatVec 커널로 효율적으로 적용한다. 둘째, **사전 인덱싱(pre‑indexing)** 기법이다. 다차원 배열을 GPU 메모리로 복사할 때 매번 인덱스를 재계산하는 대신, 미리 인덱스 리스트(inlist, outlist)를 생성해 cSelect와 같은 커널에 전달한다. 이를 통해 배열 재배열 비용을 크게 줄이고, 이미지 그래디언트와 같은 반복 연산에서도 인덱스 재계산을 회피한다. 셋째, **다양한 솔버**를 제공한다. 기본 최소제곱 문제는 Conjugate Gradient(CG)로 해결하고, 정규화가 포함된 문제는 L1‑TV‑OLS와 L1‑TV‑LAD 두 가지 변형을 구현한다. 두 솔버 모두 변수 분할(ADMM) 방식으로 선형 시스템 K = μAᵀA + λ∇ᵀ∇을 구성하고, shrinkage 연산을 통해 TV 항을 처리한다. 넷째, **다코일 및 Toeplitz 자기‑인접 연산**을 지원한다. 다코일 데이터는 코일 감도 맵을 곱한 후 NUFFT를 적용하고, Toeplitz 구조를 사전 계산해 반복적인 AᵀA 연산을 가속한다. 성능 평가에서는 두 가지 하드웨어 환경을 사용한다. 첫 번째는 로컬 i7‑6700HQ와 GTX 965M GPU이며, 두 번째는 AWS에서 제공하는 64‑vCPU 인스턴스와 Tesla K80 GPU이다. 모든 연산은 단일 정밀도(FP32) 복소수 형식으로 수행한다. CPU에서는 1‑64 스레드로 OpenCL 디바이스에 작업을 오프로드했으며, GPU에서는 CUDA와 OpenCL 양쪽 모두에서 커널을 실행했다. 결과적으로 32 스레드 CPU에서 6.3‑9.5배, GPU에서 5.4‑13배의 가속을 확인했으며, 특히 TV 정규화가 포함된 반복 재구성에서 GPU 가속 효과가 두드러졌다. 또한, 실제 3T 뇌 MRI 데이터를 사용해 비카르테시안 k‑space 시뮬레이션을 수행하고, L1‑TV‑OLS와 L1‑TV‑LAD를 적용해 재구성 품질을 검증하였다(정량적 평가는 논문에 포함되지 않음). 논의에서는 PyNUFFT가 파이썬의 높은 생산성을 유지하면서도 메타프로그래밍과 사전 인덱싱을 통해 이종 시스템에서 NUFFT를 고속화한 점을 강조한다. 현재 구현은 단일 정밀도와 제한된 커널 최적화에 머물러 있어, 64‑bit 정밀도, 대규모 3D 데이터, 그리고 최신 GPU 아키텍처에 대한 추가 최적화가 필요함을 언급한다. 또한, 오픈소스 라이선스를 MIT와 LGPL‑3.0 듀얼로 제공해 다양한 연구·산업 현장에서 자유롭게 활용할 수 있도록 설계되었다. 결론적으로, PyNUFFT는 파이썬 기반 비카르테시안 이미지 재구성에 필요한 핵심 연산을 효율적으로 제공하며, 멀티코어 CPU와 GPU에서 실시간 수준에 근접하는 성능을 달성한다. 이는 향후 머신러닝·딥러닝과 결합한 고차원 MRI 재구성 파이프라인 구축에 중요한 기반이 될 것으로 기대된다.