GPU 기반 반복 콘빔 CT 재구성: 타이트 프레임 정규화와 다중 격자 가속

초록

본 논문은 저선량·저샘플링 콘빔 CT( CBCT ) 데이터를 이용해 고품질 영상을 빠르게 복원하기 위해, 타이트 프레임(TF) 기반 희소성 정규화를 적용한 반복 재구성 알고리즘을 개발하고 GPU와 다중 격자 기법으로 가속하였다. 512×512×70 해상도의 CBCT를 약 5분 내에 재구성할 수 있으며, 디지털 NCAT 및 물리적 Catphan 팬텀, 실제 두경부 환자 데이터를 통해 MTF·CNR 등 정량적 지표와 TV 기반 최신 방법과의 비교에서 우수한 영상 품질과 연산 효율을 입증하였다.

상세 요약

이 연구는 방사선 치료 과정에서 환자에게 가해지는 X‑ray 선량을 감소시키면서도 진단 및 치료 계획에 충분히 활용 가능한 CBCT 영상을 제공하고자 하는 임상적 요구에 직접 대응한다. 핵심 아이디어는 실제 CBCT 영상이 타이트 프레임(Tight Frame) 기반의 변환 영역에서 희소(sparse)하게 표현될 수 있다는 가정 하에, 이 희소성을 정규화 항으로 삽입해 역문제의 해를 제한하는 것이다. 타이트 프레임은 오버컴플리트(과잉) 기반의 웨이브릿 변환으로, 전통적인 직교 웨이브릿보다 더 풍부한 표현력을 제공하면서도 재구성 과정에서 역변환이 안정적이다. 논문에서는 TF 변환 후 계수를 L1‑norm 형태로 페널티를 부과해 잡음과 아티팩트를 억제하고, 동시에 데이터 적합도(데이터 피드백) 항을 유지함으로써 정확한 재구성을 달성한다.

알고리즘 구현 측면에서 가장 큰 도전은 고해상도 3‑D 부피(512×512×70)와 수천 개의 투영 데이터를 실시간에 가까운 속도로 처리하는 것이다. 이를 해결하기 위해 두 가지 전략을 병행한다. 첫째, 다중 격자(Multi‑grid) 접근법을 도입해 초기 단계에서는 저해상도 격자에서 빠르게 수렴하도록 하고, 점차 고해상도 격자로 전이함으로써 전체 연산량을 크게 감소시킨다. 둘째, 모든 핵심 연산(투영·역투영, TF 변환·역변환, 가중치 업데이트)을 CUDA 기반 GPU에서 병렬 처리한다. 특히, 투영·역투영 연산은 기존의 Siddon 알고리즘을 GPU 친화적으로 재구성했으며, TF 변환은 3‑D 필터링 커널을 이용해 메모리 접근을 최소화하도록 설계했다. 결과적으로 전체 재구성 시간은 약 5분으로, 기존 CPU 기반 TV(Total Variation) 알고리즘 대비 3~4배 빠른 속도를 보인다.

성능 평가는 정량적 지표와 정성적 영상을 모두 포함한다. MTF(Modulation Transfer Function) 분석에서는 고주파 영역에서 TV 기반 방법보다 약 15% 높은 전달 효율을 기록했으며, CNR(Contrast‑to‑Noise Ratio)에서도 저 mAs(전류·시간) 조건에서 20% 이상 개선되었다. 디지털 NCAT 팬텀 실험에서는 재구성된 해부학적 구조가 원본과 거의 일치했으며, 물리적 Catphan 600에서는 선량 감소(최대 70% 감소) 상황에서도 선명한 선과 디테일을 유지했다. 실제 두경부 환자 사례에서는 종양 위치와 주변 연부 조직 경계가 명확히 드러났으며, 치료 계획 시스템에 바로 적용 가능한 DICOM 파일로 출력되었다.

TV 정규화와의 비교에서는 TV가 경계 강화와 잡음 억제에 강점을 보이지만, 과도한 평탄화 현상으로 미세 구조가 손실되는 단점이 있었다. 반면 TF 정규화는 희소성 기반이므로 중요한 고주파 성분을 보존하면서도 잡음은 효과적으로 감소시킨다. 또한, TV는 파라미터 튜닝(정규화 강도)과 반복 횟수에 민감한 반면, TF는 다중 격자와 GPU 가속 덕분에 파라미터 범위가 넓어도 안정적인 수렴을 보인다.

한계점으로는 TF 기반 희소성 가정이 모든 임상 상황에 동일하게 적용되지 않을 수 있다는 점이다. 특히, 금속 임플란트나 강한 비선형 산란이 존재하는 경우, TF 계수의 희소성이 감소해 정규화 효과가 약해질 가능성이 있다. 또한, 현재 구현은 단일 GPU 환경에 최적화돼 있어 대규모 클러스터나 멀티‑GPU 환경에서의 확장성 검증이 필요하다. 향후 연구에서는 적응형 TF 사전학습, 금속 아티팩트 보정, 그리고 딥러닝 기반 사전조건과의 하이브리드 모델을 탐색함으로써 더욱 일반화된 저선량 CBCT 재구성 프레임워크를 구축할 수 있을 것이다.