고차원 기하학이 MRI를 바꿔놓은 이야기 - 압축 센싱이 의료영상의 게임 체인저가 된 비결

MRI 검사, 왜 그렇게 오래 걸릴까요?

혹시 MRI 찍어본 적 있으세요? 좁은 통 안에 들어가서 30분, 길면 한 시간 가까이 꼼짝없이 누워있어야 하잖아요. 시끄러운 소리는 덤이고요. 그런데 이게 단순히 기계가 느려서가 아니라, 수학적인 이유 때문이라는 사실 알고 계셨나요? 스탠퍼드의 데이비드 도노호(David Donoho) 교수가 발표한 자료에 따르면, 고차원 기하학(High Dimensional Geometry) 이라는 수학 분야가 이 문제를 정면으로 깨부수면서 MRI 산업 전체를 바꿔놓고 있다고 해요.

핵심 키워드는 압축 센싱(Compressed Sensing) 입니다. 이게 뭐냐면, 신호를 전부 다 측정하지 않고 일부만 측정해도 원본을 거의 완벽하게 복원할 수 있다는 이론이에요. 옛날부터 우리가 배운 샤논의 표본화 정리(Shannon Sampling Theorem)는 "원본을 복원하려면 신호 주파수의 두 배만큼은 측정해야 한다"고 말했는데, 압축 센싱은 "신호가 희소(sparse)하다면 훨씬 적은 측정값으로도 가능하다"고 뒤집어 버린 거죠.

압축 센싱이 동작하는 원리

자, 이게 왜 신기한 일인지 좀 더 풀어볼게요. MRI는 사람 몸 안을 들여다보기 위해 k-공간(k-space) 이라는 주파수 영역에서 데이터를 한 점 한 점 수집합니다. 이 점들을 다 모아야 푸리에 변환(Fourier Transform)을 거쳐서 우리가 보는 사진이 나오는데, 점을 다 찍으려니 시간이 어마어마하게 걸려요. 그래서 환자는 가만히 누워있어야 하고, 움직이면 사진이 흐려지죠.

압축 센싱의 아이디어는 이거예요. "우리 몸의 영상은 사실 그렇게 복잡하지 않다". 적절한 변환(예를 들면 웨이블릿 변환)을 거치면 대부분의 계수가 0에 가까워요. 즉, 의미 있는 정보가 듬성듬성 분포되어 있다는 거죠. 이런 성질을 희소성(sparsity) 이라고 부르는데요, 데이터가 희소하다면 무작위로 일부 점만 측정해도 L1 최소화(L1 minimization)라는 수학적 기법으로 원본을 거의 정확히 복원할 수 있다는 게 도노호와 캔데스(Candès), 타오(Tao) 같은 수학자들이 2000년대 중반에 증명한 내용이에요.

여기서 고차원 기하학이 등장합니다. 신호 복원 문제를 기하학적으로 보면, 고차원 공간에서 다면체(polytope)의 면(facet)이 어떻게 생겼는가라는 문제로 바뀌거든요. 우리는 보통 3차원까지밖에 상상이 안 되지만, 수학자들은 수천 차원 공간에서 도형이 어떤 모양인지 분석해왔어요. 그 결과가 "무작위로 면을 잘라내도 희소한 점은 거의 항상 꼭짓점으로 살아남는다"는 깜짝 놀랄 만한 발견으로 이어졌고, 이게 압축 센싱의 수학적 토대가 됐습니다.

산업으로 옮겨간 수학 이론

학계의 발견이 곧장 임상으로 넘어간 게 또 흥미로운 지점이에요. 보통 순수 수학 결과는 산업화까지 수십 년이 걸리는데, 압축 센싱은 발표 후 10년 만에 GE, Siemens, Philips 같은 의료영상 빅3가 모두 자사 MRI에 탑재했거든요. Siemens는 Compressed Sensing Cardiac Cine, GE는 HyperSense, Philips는 Compressed SENSE 라는 이름으로 상용 제품을 내놨어요.

결과는 극적입니다. 심장 MRI의 경우 환자가 30초 동안 숨을 참아야 했던 검사가 단 한 번의 호흡 정지(약 15초) 로 끝나게 됐고, 소아 환자처럼 가만히 있기 어려운 경우에도 진단 가능한 영상을 얻을 수 있게 됐어요. 검사 시간이 최대 8배까지 단축된 사례도 보고됐습니다. 단순히 "빨라졌다"가 아니라, 예전엔 아예 못 찍던 환자(거동이 어려운 노인, 갓난아기, 응급환자)까지 검사 대상이 넓어진 거죠.

다른 분야에서도 일어나는 비슷한 흐름

압축 센싱은 MRI 말고도 여러 곳에 퍼졌어요. CT 촬영에서 방사선량을 줄이는 데 쓰이고, 천체망원경에서 별빛 신호를 효율적으로 잡는 데도 활용되고 있어요. 최근에는 딥러닝 기반 영상 복원 과 결합해서 더 적은 데이터로 더 좋은 결과를 뽑아내는 연구가 활발한데요, FastMRI라는 Meta(구 페이스북)와 NYU의 공동 프로젝트는 압축 센싱 + 신경망 조합으로 MRI 속도를 4배 이상 빠르게 만드는 데이터셋과 벤치마크를 공개하기도 했습니다. 수학 → 알고리즘 → AI 모델로 이어지는 진화가 일어나고 있는 거예요.

비슷한 아이디어가 통신 분야에선 5G에서 massive MIMO 의 채널 추정에, 카메라에선 single-pixel imaging 같은 미래형 촬영 장비에 응용되고 있어요. 한마디로 "적게 측정하고 똑똑하게 복원한다"는 원칙이 산업 전반의 효율성을 새로 정의하고 있는 셈이죠.

한국 개발자에게 주는 시사점

그럼 우리 같은 소프트웨어 개발자에게 이게 무슨 의미일까요? 첫째, 희소성이라는 가정 은 우리가 다루는 거의 모든 데이터에 적용돼요. 로그 데이터, 사용자 행동 데이터, 이미지나 음성 — 대부분 핵심 정보가 일부에 몰려 있어요. 이걸 인식하면 데이터 수집 비용, 저장 비용, 전송 대역폭을 크게 줄일 수 있는 설계가 가능합니다.

둘째, L1 정규화(L1 regularization) 는 머신러닝에서 이미 익숙한 개념이잖아요. Lasso 회귀에서 사용하는 그 L1이 사실 압축 센싱과 같은 수학적 뿌리예요. 모델 가중치를 희소하게 만들어 해석 가능성을 높이고 과적합을 막는 원리가, MRI에서 영상을 복원하는 원리와 똑같다는 게 흥미롭지 않나요?

셋째, 의료 AI나 헬스테크 스타트업에 관심 있다면 압축 센싱 + 딥러닝 복원 모델은 정말 뜨거운 영역이에요. PyTorch 기반의 FastMRI 코드도 오픈소스로 공개돼 있어서 직접 돌려볼 수 있고요.

마무리

수학자가 칠판에 끄적인 정리가 환자의 검사 시간을 절반으로 줄였습니다. 이게 진짜 응용 수학의 힘이죠. 여러분은 어떤 "희소성"을 활용해 본 적 있나요? 또, 순수 이론이 실제 산업으로 빨리 넘어오게 만들려면 개발자 입장에서 어떤 다리 역할이 필요할까요?