딥 챔볼레‑폭 네트워크로 가속 MR 영상 복원

본 연구는 MR 영상의 획득 시간을 단축하기 위한 압축센싱(CS) 접근법의 한계를 극복하고자, 모델‑드리븐 딥러닝 프레임워크인 CP‑net을 제안한다. 서론에서는 CS‑MRI가 고가속에서 세부 손실과 파라미터 튜닝의 복잡성을 야기한다는 점을 지적하고, 기존의 FISTA, ADMM, Chambolle‑Pock 등 1차‑다중 최적화 알고리즘을 소개한다. 특히 Chambolle‑Pock은 프라이멀·듀얼 변수를 동시에 업데이트하는 구조로, 이미지 복원 분야에서 널리 활용되어 왔지만, 손실 함수와 근접 연산자를 직접 설계해야 하는 단점이 있다. 방법론 파트에서는 MR 재구성 문제를 ‖Ap‑y‖²+G(p) 형태의 최적화식으로 정의하고, 이를 Chambolle‑Pock의 업데이트 식(2)에 따라 전개한다. 이후 근접 연산자와 스텝 사이즈 σ, τ를 신경망 파라미터화하여 식(3) 형태의 학습 가능한 블록으로 변환한다. 네트워크는 10번의 반복(총 60층)으로 구성되며, 각 반복은 듀얼 업데이트와 프라이멀 업데이트를 각각 3개의 3×3 컨볼루션 레이어와 ReLU 활성화 함수로 구현한다. 복소수 k‑space 데이터를 실수·허수 두 채널로 분리 저장함으로써 복소수 연산을 자연스럽게 처리한다. 잔차 연결을 통해 깊은 네트워크에서도 그래디언트 소실을 방지하고, 전체 구조가 원래 Chambolle‑Pock 알고리즘의 수렴성을 유지하도록 설계되었다. 학습 데이터는 3 T Siemens MAGNETOM Trio와 UIH 3 T 스캐너에서 획득한 200개의 완전 샘플링 뇌 영상(256×256)이며, 이를 Poisson‑disk 마스크로 R=4,5,6의 가속률에 맞게 다운샘플링하여 1600개의 훈련·검증 샘플을 만든다. 정규화와 데이터 증강 후, TensorFlow와 CUDA 환경에서 ADAM 옵티마이저로 MSE 손실을 최소화한다. 학습 과정에서 검증 오차는 30 epoch 이후 안정화되었으며, 과적합 없이 수렴한다는 것이 Fig. 1(b)에서 확인된다. 실험 결과는 정량적 지표와 정성적 이미지 비교 두 측면에서 제시된다. Table 1에서는 PSNR, SSIM, MSE가 Zero‑Filling, Rec_PF, ADMM‑net, D5‑C5에 비해 각각 평균 1.8 dB, 0.03, 0.001 의 개선을 보인다. Fig. 2‑5는 축축, 관상, 시상면에서 R=4~6의 재구성 결과와 오류 맵을 보여주며, CP‑net이 미세 구조(소뇌 회백질, 혈관 경계 등)를 더 정확히 복원하고, 언더샘플링 아티팩트를 효과적으로 억제함을 시각적으로 확인할 수 있다. 특히 UIH 스캐너 데이터에서도 동일한 성능 향상이 관찰되어, 다양한 하드웨어에 대한 일반화 가능성을 시사한다. 결론에서는 CP‑net이 Chambolle‑Pock 알고리즘의 구조적 장점을 유지하면서, 근접 연산자와 파라미터를 데이터‑드리븐 방식으로 학습함으로써 기존 CS‑MRI와 최신 딥러닝 기반 방법을 능가한다는 점을 강조한다. 향후 연구로는 더 깊은 반복 수, 다양한 스캔 파라미터(TE, TR)와 다채널 코일 데이터에 대한 확장, 실시간 구현을 위한 경량화 및 하드웨어 가속, 그리고 비뇌 영역(심장, 복부) 적용을 제시한다.