TauFlow: 뇌 영감 동적 시간 상수 기반 초경량 의료 영상 분할 모델

본 논문은 초경량 의료 영상 분할 모델이 직면한 두 가지 핵심 문제—(1) 병변 경계와 배경 사이의 주파수 차이에 대한 비동적 처리, (2) 인코더‑디코더 스킵 연결에서 발생하는 특징 충돌—를 해결하기 위해 뇌‑영감 메커니즘을 효율적으로 구현한 새로운 아키텍처 **TauFlow**를 제안한다. **배경 및 기존 연구**에서는 U‑Net 기반 구조가 의료 영상 분할의 표준이지만, 파라미터 수를 극단적으로 축소(<0.5 M)하면 고주파 경계 정보를 충분히 포착하지 못하고, 인코더와 디코더 사이의 특징 불일치가 심화된다. 기존 경량화 전략은 효율적인 컨볼루션(Depthwise, Grouped), 경량 트랜스포머, 혹은 State‑Space Model(Mamba) 등을 활용했지만, 모두 정적인 피처 처리 방식을 유지한다. 또한, 스킵 연결을 단순 연결하거나 얕은 어텐션으로 처리하면 25‑30 % 수준의 코사인 유사도 감소가 발생한다. **핵심 아이디어**는 연속시간 동적 시스템의 시간 상수 τ를 입력에 따라 자동으로 조절하는 **ConvLTC**와 스파이킹 신경망의 **STDP** 메커니즘을 결합해, 피처 업데이트 속도와 융합 방식을 동적으로 최적화하는 것이다. 1. **ConvLTC (Convolutional Long‑Time Constant Cell)** - 기존 LTC는 미분 방정식 기반으로 연산 비용이 높았으나, 논문은 이를 1×1 컨볼루션과 시그모이드 함수를 통해 τ 시퀀스를 직접 생성하는 경량 모듈로 변환한다. - τ는 픽셀별로 다르게 할당되며, 작은 τ는 빠른 업데이트(고주파 경계에 민감), 큰 τ는 느린 업데이트(저주파 배경에 안정) 역할을 한다. 이를 통해 “시간‑공간 이중 적응”을 구현, 고정된 리셉티브 필드와 고정된 업데이트 비율을 갖는 기존 경량 CNN의 한계를 극복한다. 2. **STDP Self‑Organizing Module** - 스파이킹 뉴럴 네트워크의 Spike‑Timing‑Dependent Plasticity를 차용해, 피처 융합 단계에서 가중치를 전방향으로 자동 조정한다. - τ‑가이드 어텐션과 결합해, 인코더와 디코더 사이의 특징 충돌 비율을 기존 35‑40 %에서 8‑10 % 수준으로 크게 낮춘다. 이는 기존 경량 모델에서 관찰된 코사인 유사도 감소(≈25‑30 %)를 크게 개선한 결과이다. - 또한, τ에 기반한 동적 그룹핑을 통해 복잡한 영역에 더 많은 연산 그룹을 할당하고, 단순한 영역에는 최소 그룹만 사용해 연산 효율을 극대화한다. 3. **전체 아키텍처** - 기본적인 U‑shape 구조를 유지하면서, 인코더 블록에 ConvLTC, 디코더와 스킵 연결 사이에 STDP‑모듈을 삽입한다. - 전체 파라미터는 0.33 M 이하, FLOPs는 0.5 G 미만으로, 기존 UltraLight VM‑UNet, MSVM‑UNet 등과 비교해 30‑50 % 적은 연산량을 보인다. - 실제 Allwinner H61·Rockchip RK3588 보드에서 30‑45 FPS 실시간 추론을 달성하고, 전력 소모는 1.2 W 이하로 모바일 의료 기기에 적합함을 입증한다. 4. **실험 결과** - **GlaS**(선 조직)에서 Dice 92.12 % (UD‑TransNet 대비 +1.09 %). - **MoNuSeg**(핵)에서 Dice 80.97 % (MSVM‑UNet 대비 +1.11 %). - **Synapse**(다기관 장기)에서 평균 Dice 90.85 % (UD‑TransNet 대비 +1.57 %), 특히 췌장 부위에서 +2.3 % 향상. - 비의료 **Cityscapes** 데이터셋에서도 mIoU 79.26 %를 기록, 도메인 전이 능력이 뛰어남을 보여준다. - 인코더‑디코더 간 특징 충돌 비율을 35‑40 % → 8‑10 % 로 감소시킨 정량적 분석을 제공한다. 5. **한계 및 향후 연구** - τ 생성 네트워크가 추가 연산을 요구하지만 전체 파라미터 제한 내에서 충분히 가벼운 편이다. - 현재 STDP‑모듈은 전방향 가중치 조정만 지원하므로, 역전파와 완전한 비지도 학습을 결합한 하이브리드 학습 전략이 필요하다. - 2D 영상에 초점을 맞추었으며, 3D 볼륨 데이터에 적용하려면 메모리 최적화와 τ‑시퀀스의 3D 확장이 요구된다. **결론**적으로, TauFlow는 뇌‑영감 동적 시간 상수와 STDP 기반 자기 조직화를 결합해, 초경량 모델에서도 고주파 경계와 저주파 배경을 각각 최적화하고, 인코더‑디코더 간 특징 충돌을 크게 감소시킨다. 이는 파라미터 수 0.33 M 이하에서도 기존 SOTA 경량 모델을 능가하는 정확도를 달성함을 의미한다. 향후 3D 의료 영상 및 다양한 임상 환경에 적용함으로써, 실제 모바일 의료 진단 시스템에 바로 활용될 수 있는 실용적인 경량 분할 솔루션으로 기대된다.