이미지 없이도 문제없다: 언더샘플링된 k-공간 데이터를 이용한 심층 다중 작업 심장 분석

No Image, No Problem: End-to-End Multi-Task Cardiac Analysis from Undersampled k-Space

기존의 임상 심장 자기 공명 영상(CMR) 파이프라인은 순차적인 "재구성 후 분석" 방식을 따르며, 이는 불필요한 아티팩트와 정보 병목 현상을 유발하는 부적절한 중간 단계를 강제합니다. 이는 근본적인 수학적 역설을 야기합니다. 즉, 진단에 필요한 저차원 생리학적 정보를 직접 추출하는 대신, 언더샘플링된 k-공간 데이터로부터 고차원 픽셀 배열(즉, 이미지)을 복원하려고 시도합니다. k-공간의 잠재적인 진단 능력을 활용하기 위해, 우리는 k-MTR(k-space Multi-Task Representation)이라는 k-공간 표현 학습 프레임워크를 제안합니다. k-MTR은 언더샘플링된 k-공간 데이터와 완전 샘플링된 이미지를 공유된 의미 공간에 통합합니다. 42,000명의 피험자를 대상으로 한 대규모 제어 시뮬레이션을 활용하여, k-MTR은 k-공간 인코더가 언더샘플링으로 인해 손실된 해부학적 정보를 잠재 공간 내에서 직접 복원하도록 강제합니다. 이를 통해 다운스트림 분석을 위한 명시적인 역문제 해결을 우회합니다. 우리는 이 잠재 공간 정렬이 언더샘플링된 주파수로부터 고수준 생리학적 의미를 내포한 밀집된 잠재 공간을 직접 활성화할 수 있음을 보여줍니다. 연속적인 표현형 회귀, 질병 분류 및 해부학적 분할 작업에서, k-MTR은 최첨단 이미지 기반 모델과 비교하여 매우 경쟁력 있는 성능을 달성합니다. k-MTR은 k-공간 표현으로부터 정확한 공간 기하학적 구조와 다중 작업 특징을 성공적으로 복원할 수 있음을 보여줌으로써, 작업에 특화된 심장 MRI 워크플로우를 위한 견고한 아키텍처 청사진을 제공합니다.

Conventional clinical CMR pipelines rely on a sequential "reconstruct-then-analyze" paradigm, forcing an ill-posed intermediate step that introduces avoidable artifacts and information bottlenecks. This creates a fundamental mathematical paradox: it attempts to recover high-dimensional pixel arrays (i.e., images) from undersampled k-space, rather than directly extracting the low-dimensional physiological labels actually required for diagnosis. To unlock the direct diagnostic potential of k-space, we propose k-MTR (k-space Multi-Task Representation), a k-space representation learning framework that aligns undersampled k-space data and fully-sampled images into a shared semantic manifold. Leveraging a large-scale controlled simulation of 42,000 subjects, k-MTR forces the k-space encoder to restore anatomical information lost to undersampling directly within the latent space, bypassing the explicit inverse problem for downstream analysis. We demonstrate that this latent alignment enables the dense latent space embedded with high-level physiological semantics directly from undersampled frequencies. Across continuous phenotype regression, disease classification, and anatomical segmentation, k-MTR achieves highly competitive performance against state-of-the-art image-domain baselines. By showcasing that precise spatial geometries and multi-task features can be successfully recovered directly from the k-space representations, k-MTR provides a robust architectural blueprint for task-aware cardiac MRI workflows.