움직이는 영상의 압축 센싱을 위한 광류 기반 정규화

초록

본 논문은 움직이는 영상이나 3차원 볼륨에 대한 압축 센싱 복원을 위해 광류(optical flow) 제약을 직접 활용한 새로운 정규화 기법을 제안한다. 기존의 웨이브릿 등 정적 변환 기반 방법이 움직임에 취약한 점을 보완하고, 영상과 움직임을 동시에 혹은 별도로 추정할 수 있는 프레임워크를 제시한다. MRI 실험을 통해 제안 방법이 재구성 품질과 가속률 모두에서 기존 기법보다 우수함을 입증한다.

상세 분석

압축 센싱(Compressed Sensing, CS)은 신호가 희소(sparse)하거나 압축 가능한 형태로 표현될 수 있을 때, 샘플링 레이트를 나이퀴스트 한계 이하로 낮추면서도 정확한 복원이 가능하다는 이론적 기반을 제공한다. 전통적인 CS 적용에서는 웨이브릿, DCT, 총변동(Total Variation) 등 고정된 변환을 사용해 신호를 희소화하고, 해당 변환계수에 ℓ1 정규화를 적용한다. 그러나 움직이는 영상이나 변형되는 3차원 볼륨에서는 시간·공간 축을 따라 구조가 지속적으로 변하기 때문에, 정적인 변환으로는 충분히 희소한 표현을 얻기 어렵다. 특히, 움직임에 의해 발생하는 모션 블러와 같은 비선형 왜곡은 전통적인 정규화 항이 실제 물리적 제약을 반영하지 못하게 만든다.

본 논문은 이러한 한계를 극복하기 위해 광류 제약(optical flow constraint, OFC)을 정규화 항에 직접 통합한다. 광류는 연속적인 프레임 사이의 밝기 보존 가정을 기반으로, 픽셀(또는 voxel) 위치와 시간에 대한 미분 관계인 I_t + ∇I·v = 0 를 만족한다는 점에 착안한다. 여기서 I는 영상 강도, v는 순간적인 움직임 벡터이다. 논문은 이 식을 ℓ1 혹은 ℓ2 형태의 정규화 항으로 변형하여, 복원 과정에서 움직임 보상(motion compensation)을 동시에 수행하도록 설계한다. 구체적으로는 두 단계로 구성된 최적화 문제를 제시한다. 첫 번째 단계는 현재 추정된 영상에 대해 광류 방정식을 만족하는 움직임 필드 v를 추정하고, 두 번째 단계는 추정된 v를 이용해 움직임 보정된 영상 차분을 최소화하면서 ℓ1 희소성 제약을 적용한다. 이때 ADMM(Alternating Direction Method of Multipliers)이나 FISTA(Fast Iterative Shrinkage‑Thresholding Algorithm)와 같은 효율적인 분할 최적화 기법을 사용해 계산 복잡도를 낮춘다.

또한 논문은 영상과 움직임을 동시 추정(joint estimation) 하는 경우와 분리 추정(separate estimation) 하는 경우를 모두 고려한다. 동시 추정에서는 두 변수 간의 상호 의존성을 이용해 전역 최적해에 근접하도록 설계했으며, 분리 추정에서는 사전 학습된 움직임 모델이나 외부 센서(예: navigator echo)를 활용해 초기 v를 제공함으로써 수렴 속도를 향상시킨다. 실험 결과는 두 접근법 모두 전통적인 TV‑CS나 웨이브릿‑CS 대비 재구성 PSNR이 평균 2‑3 dB 향상되고, 특히 고속 움직임이 존재하는 경우에 그 차이가 크게 나타난다.

MRI 적용 사례에서는 k‑space에서 임의로 서브샘플링된 데이터를 사용했으며, 복원된 이미지에 대해 심장 박동과 같은 주기적 움직임을 정확히 보정한다. 이 과정에서 제안된 광류 기반 정규화는 기존의 움직임 보정 기법(예: navigator‑based gating)보다 적은 추가 스캔 시간으로 동일하거나 더 높은 영상 품질을 달성한다. 또한, 제안 방법은 3D 볼륨 시퀀스에도 자연스럽게 확장 가능함을 보였으며, 복원된 볼륨 간의 연속성을 유지함으로써 해부학적 구조의 왜곡을 최소화한다.

요약하면, 본 연구는 CS 복원 과정에 물리적 움직임 제약을 직접 삽입함으로써, 움직이는 의료 영상에서의 희소성 가정을 강화하고, 재구성 정확도와 시간 효율성을 동시에 개선하는 혁신적인 프레임워크를 제공한다.