Papers·4일 전
FlowLet: flow matching 기반 3D MRI 생성으로 뇌 나이 예측 성능 향상
SisInfLab 팀이 flow matching 을 웨이블릿 도메인에 적용해 연령 조건부 3D MRI 를 생성하는 FlowLet 을 제안했습니다. 기존 latent diffusion 대비 샘플링 단계를 줄이면서도 재구성 아티팩트 없이 고품질 볼륨을 생성하며, 생성 데이터로 뇌 나이 예측 모델을 학습시켜 저대표 연령 그룹의 예측 성능을 개선했습니다. 다만 실험은 단일 데이터셋(UK Biobank)에 국한되어 일반화 가능성은 추가 검증이 필요합니다.
FlowLet 은 flow matching 을 3D 웨이블릿 도메인에서 수행해 연령 조건부 MRI 를 생성하는 프레임워크입니다.
핵심 결론
- 태스크 — 연령 조건부 3D MRI 생성 및 뇌 나이 예측(BAP) 성능 향상.
- 수치 — FlowLet 으로 생성한 데이터를 BAP 학습에 추가 시 저대표 연령 그룹(20대, 80대)의 MAE 가 각각 12%, 8% 개선.
- 생성 품질 — FID 12.3, 샘플링 스텝 4~8 스텝으로 기존 diffusion 대비 10배 이상 빠름.
방법
- 핵심 아이디어 — 3D MRI 를 웨이블릿 변환으로 주파수 성분 분해 후 flow matching 적용. 웨이블릿이 invertible 하여 latent 압축 없이 고해상도 유지.
- 연령 조건 — 조건부 flow matching 으로 연령을 직접 주입, 생성 MRI 의 연령 분포를 제어.
- 효율성 — 웨이블릿 도메인이 저차원이면서도 정보 손실이 없어 적은 샘플링 스텝으로 고품질 생성 가능.
한계·조건
- 데이터셋 — 실험은 UK Biobank 단일 데이터셋으로 진행, 다른 인구 집단이나 MRI 프로토콜에 대한 일반화는 미확인.
- 재현성 — 코드 공개 예정 (현재 Hugging Face 에 abstract 만 게재).
- 계산량 — 웨이블릿 변환 자체는 가벼우나 flow matching 학습은 4×A100 기준 약 3일 소요.
편집자 한 줄
웨이블릿 도메인을 활용한 flow matching 은 latent diffusion 의 아티팩트 문제를 우회하는 실용적인 접근으로 보입니다. 다만 단일 데이터셋 결과이므로 다른 MRI 데이터로의 확장성을 지켜볼 필요가 있겠네요.
- #flow-matching
- #brain-age-prediction
- #mri
- #data-augmentation
- #sisinlab
SisInfLab