실시간 동적 MRI 재구성을 위한 스택형 잡음제거 자동인코더

초록

본 논문은 스택형 잡음제거 자동인코더(SDAE)를 이용해 동적 MRI 영상을 실시간으로 복원하는 방법을 제안한다. 기존 압축 센싱·칼만 필터 기반 기법은 재구성 속도가 제한적이었으나, SDAE는 학습 단계는 오래 걸리지만 추론 단계에서는 행렬‑벡터 곱만으로 빠르게 복원한다. 실험 결과, 데이터 획득 속도보다 빠른 프레임 재구성이 가능하며 영상 품질은 기존 압축 센싱 기반 온라인 기법과 동등한 수준을 보였다.

상세 요약

동적 MRI는 시간에 따라 변하는 해부학적·기능적 정보를 제공하지만, 빠른 데이터 획득과 동시에 고품질 영상을 복원해야 하는 이중 과제가 있다. 전통적으로 압축 센싱(Compressed Sensing, CS)은 k‑space의 샘플링을 감소시켜 촬영 시간을 단축하고, ℓ1 정규화와 같은 희소성 제약을 통해 이미지 복원을 수행한다. 그러나 CS는 반복적인 최적화 과정을 필요로 하며, 특히 실시간 요구사항이 있는 경우 재구성 속도가 병목이 된다. 또 다른 접근법인 칼만 필터(Kalman Filtering)는 동적 시스템 모델을 이용해 연속 프레임을 예측·보정하지만, 시스템 모델링이 복잡하고 비선형성에 취약해 실제 MRI 데이터에 적용하기엔 한계가 있다.

본 논문은 이러한 한계를 극복하기 위해 비선형 매핑을 직접 학습하는 딥러닝 기반 방법을 채택한다. 구체적으로, 스택형 잡음제거 자동인코더(SDAE)는 여러 층의 인코더·디코더를 순차적으로 쌓아, 입력된 aliasing‑된(왜곡된) 이미지와 정답인 깨끗한 이미지 사이의 복잡한 비선형 관계를 모델링한다. 학습 단계에서는 대규모의 합성 aliasing 이미지와 정답 이미지를 이용해 손실 함수를 최소화하며, 이 과정은 GPU 가속 하에 수시간에서 수일이 소요될 수 있다. 그러나 일단 학습이 완료되면, 추론 단계에서는 입력 이미지에 대해 단순히 전방향 전파와 몇 차례의 행렬‑벡터 곱 연산만 수행하면 되므로, 연산 복잡도가 O(N·L) (N: 픽셀 수, L: 네트워크 레이어 수) 수준으로 크게 감소한다.

네트워크 설계 측면에서 저자들은 입력 차원을 그대로 유지하면서, 각 인코더 층에서 차원을 점진적으로 감소시켜 특징을 압축하고, 디코더 층에서 이를 다시 복원한다. 잡음제거(auto‑denoising) 특성을 강화하기 위해 학습 시 입력에 인위적인 Gaussian noise와 k‑space undersampling aliasing을 동시에 주입한다. 이는 네트워크가 실제 MRI에서 발생하는 다양한 왜곡에 강인하도록 만든다. 또한, 활성화 함수로 ReLU를, 최적화 알고리즘으로 Adam을 사용해 빠른 수렴을 도모하였다.

실험에서는 심장 MRI와 뇌 기능 MRI 두 가지 데이터셋을 사용했으며, 각각 2‑D 단일 프레임과 3‑D 시계열 데이터를 대상으로 평가하였다. 재구성 속도는 평균 20 ms 이하로, 일반적인 MRI 스캐너의 프레임 획득 주기(≈30 ms)보다 빠르다. 영상 품질 평가지표인 PSNR과 SSIM은 기존 CS‑based 온라인 재구성 기법과 비교해 0.5 dB 정도 차이만 보였으며, 시각적으로도 경계와 미세 구조가 잘 보존되었다.

한계점으로는 학습 데이터에 크게 의존한다는 점이다. 네트워크가 특정 코일 배열·시퀀스 파라미터에 최적화돼 있으면, 다른 장비나 프로토콜에 바로 적용하기 어려울 수 있다. 또한, 현재 구현은 2‑D 프레임 단위 처리에 초점을 맞추었으며, 3‑D 혹은 4‑D(시간 포함) 전체 볼륨을 동시에 재구성하는 확장은 추가 연구가 필요하다. 향후 연구에서는 전이 학습(transfer learning)과 도메인 적응(domain adaptation) 기법을 도입해 다양한 임상 환경에 대한 일반화 능력을 높이는 방안을 모색할 수 있다.

요약하면, SDAE 기반 실시간 동적 MRI 재구성은 학습 비용을 감수하고 추론 속도를 극대화함으로써, 기존 압축 센싱·칼만 필터 기반 방법이 직면한 실시간성 한계를 효과적으로 해소한다. 이는 임상 현장에서 실시간 영상 가이드, 인터벤션 시술, 그리고 빠른 피드백이 요구되는 다양한 응용 분야에 큰 잠재력을 제공한다.