가속화된 그래디언트 방법으로 CT 영상의 TV 재구성

초록

본 논문은 CT 영상 복원을 위한 총변동(TV) 정규화 문제를 메모리 효율적인 두 가지 가속 그래디언트 알고리즘(GPBB와 UPN)으로 해결한다. 기존 단순 그래디언트 방법에 비해 반복 횟수를 크게 줄이며, 특히 적은 투시(view) 수에서 뛰어난 수렴성을 보인다. 구현 코드는 C와 Matlab 인터페이스로 제공된다.

상세 분석

본 연구는 3차원 CT 이미지 복원에서 총변동(Total Variation, TV) 정규화를 적용한 최적화 문제를 다루며, 대규모 시스템에서 메모리 사용량을 최소화하면서도 수렴 속도를 높이는 두 가지 가속 그래디언트 기법을 제안한다. 첫 번째 기법인 GPBB(Barzilai‑Borwein 단계 크기와 비단조 라인 서치를 결합)는 기존의 고전적 그래디언트 투사 방법에 비해 단계 크기를 동적으로 조정함으로써 실험적으로 빠른 수렴을 보인다. BB 단계 크기는 현재와 이전 반복 사이의 변수·그라디언트 차이를 이용해 스칼라 값을 계산하고, 비단조 라인 서치는 일정 횟수(K) 동안의 목표 함수값 최대값을 기준으로 충분히 감소했는지 판단한다. 이 과정에서 β를 0.95씩 감소시키며 라인 서치를 수행해 안정성을 확보한다. 그러나 이 방법은 이론적인 최악의 수렴률을 기존 O((1‑µ/L)^k)보다 개선한다는 증명이 아직 부족하다.

두 번째 기법인 UPN(Unknown Parameter Nesterov)은 Nesterov의 최적 1차 방법을 기반으로 하며, 강한 볼록성 파라미터 µ와 리프시츠 상수 L을 사전에 알 필요 없이 반복 과정에서 추정한다. L은 백트래킹 라인 서치를 통해 충분히 큰 값을 찾고, µ는 현재와 보조점 y(k) 사이에서 (4)식의 부등식을 만족하는 최대값을 선택해 비단조적으로 감소시킨다. 이후 θ와 β를 재귀적으로 계산해 보조점 y(k+1)를 업데이트한다. 이 절차는 강한 볼록성 가정이 깨지는 경우에도 실험적으로 수렴을 보이며, 필요 시 재시작(restart) 전략을 도입해 보장성을 강화할 수 있다.

알고리즘의 수렴 판단은 제한된 메모리 환경에서도 적용 가능한 그래디언트 맵 ‖Gν(x)‖²/N ≤ ε 기준을 사용한다. 이는 제약 조건 Q(비음수) 하에서 최적성 조건을 만족하는지 검증하는 방법으로, 특히 목표 함수가 평탄해지는 few‑view 상황에서도 민감하게 동작한다.

실험에서는 64³ 크기의 FORBILD 뇌 모형을 사용해 55 view(다수 view)와 19 view(소수 view) 두 경우를 설정하였다. 소수 view에서는 시스템 행렬 A가 열보다 행이 적어 강한 볼록성 가정이 위배되지만, UPN은 여전히 빠른 수렴을 보이며 2000 이터레이션 이내에 10⁻⁸ 수준의 정밀도를 달성한다. GP는 수렴이 거의 이루어지지 않았고, GPBB는 다수 view에서는 개선을 보였으나 소수 view에서는 불안정한 단계 크기 선택으로 인해 수렴이 지연된다. 결과적으로 UPN이 가장 일관된 성능을 보여, 실제 임상 데이터에서도 실시간에 가까운 재구성을 기대할 수 있다.

이 논문은 메모리 요구량이 낮은 C 구현과 Matlab 인터페이스를 제공함으로써 연구자와 실무자가 손쉽게 적용할 수 있게 하였으며, TV 정규화 기반 CT 복원의 실용성을 크게 향상시킨다.