베타 프로세스 기반 비모수 딕셔너리 학습으로 압축감지 MRI 재구성

본 논문은 압축감지(MRI) 재구성에서 이미지의 희소성을 효과적으로 활용하기 위해 베타 프로세스(Beta Process)를 사전으로 하는 비모수 딕셔너리 학습 모델(BPFA)을 도입한다. 기존 CS‑MRI 방법은 전역 변환(웨이브렛, 컨투얼렛 등)이나 고정된 딕셔너리(K‑SVD)를 사용해 패치 수준의 희소성을 강제했지만, 이러한 접근은 딕셔너리 크기와 패치당 사용 원소 수와 같은 하이퍼파라미터를 사전에 설정해야 하며, 설정이 부정확하면 복원 품질이 크게 저하되는 단점이 있다. 베타 프로세스는 무한히 많은 잠재 요인(딕셔너리 원소)을 가정하고, 각 원소가 사용될 확률 π_k를 베타 분포로 모델링한다. 실제 데이터에서는 대부분의 π_k가 매우 작아 해당 원소가 거의 사용되지 않으며, 데이터가 필요로 하는 원소만이 높은 π_k를 갖게 된다. 이를 통해 딕셔너리 크기를 사전에 고정하지 않아도 되며, 데이터에 맞춰 자동으로 “프루닝”된다. 패치 i에 대한 표현은 α_i = s_i ∘ z_i 로 정의한다. 여기서 s_i는 가우시안(연속형) 가중치 벡터이며, z_i는 베르누이(이진) 마스크이다. z_i의 각 원소 z_{ik}는 π_k에 따라 베르누이 샘플링되므로, 패치마다 서로 다른 희소성 패턴이 자연스럽게 형성된다. 패치 재구성 손실은 (γ_ε/2)||R_i x – D α_i||^2 로 표현되며, γ_ε는 노이즈 정밀도(역분산)이다. 전체 목표 함수는 로컬 딕셔너리 손실, 전역 TV 정규화, 그리고 데이터 적합 항을 포함한다. 구체적으로  min_{x,ϕ} λ_g TV(x) + Σ_i (γ_ε/2)||R_i x – D α_i||^2 + f(ϕ_i) + (λ/2)||F_u x – y||^2 를 최적화한다. 여기서 f(ϕ_i)는 베타 프로세스 모델에 대한 사전 로그가능도이며, ϕ_i는 {D, s_i, z_i, γ_ε, γ_s, π}를 포함한다. 최적화는 두 부분으로 나뉜다. (1) 딕셔너리와 계수( D, s_i, z_i, γ_ε, γ_s, π )는 Gibbs 샘플링을 이용한 MCMC로 사후분포를 추정한다. 베타-베르누이 구조 덕분에 각 변수의 조건부 분포가 표준 형태(정규, 감마, 베타)로 나타나 효율적인 샘플링이 가능하다. (2) 이미지 x와 전역 TV 항은 ADMM을 적용해 별도 서브문제로 해결한다. ADMM은 x‑업데이트(데이터 적합 + TV 라그랑주 항)와 TV‑업데이트(소프트-쓰레시홀드)로 분리되어 빠른 수렴을 보인다. 실험에서는 4배~8배 언더샘플링된 k‑space 데이터를 사용해 여러 실제 MRI 데이터셋(뇌, 무릎, 심장 등)을 평가하였다. 비교 방법으로는 Sparse MRI(웨이브렛+TV), K‑SVD 기반 CS‑MRI, 그리고 BPFA 단독 디노이징을 포함한다. 결과는 다음과 같다. 1. PSNR 및 SSIM 측면에서 BPFA+TV가 모든 테스트 케이스에서 최고 성능을 기록했다. 특히 높은 노이즈 레벨(σ=30)에서도 K‑SVD은 파라미터 미스매치로 성능이 급격히 떨어지는 반면, BPFA는 자동으로 적절한 희소성 수준을 추정해 안정적인 복원을 제공했다. 2. 딕셔너리 사용 확률 π_k와 패치당 활성 원소 수를 시각화한 결과, 전체 K=108 중 실제로 사용된 원소는 약 80~100개에 불과했으며, 대부분의 패치는 2~4개의 원소만을 사용했다. 이는 베타 프로세스가 데이터 복잡도에 맞춰 적절한 희소성을 자동으로 조절함을 의미한다. 3. 전역 TV와 결합함으로써 경계 보존과 평탄 영역의 잡음 억제가 동시에 이루어졌으며, TV 파라미터 λ_g에 대한 민감도도 기존 방법보다 낮았다. 이는 딕셔너리 학습 자체가 강력한 디노이징 효과를 제공하기 때문이다. 논문의 주요 기여는 다음과 같다. - 비모수 베타 프로세스를 이용해 딕셔너리 크기와 패치별 희소성 패턴을 데이터로부터 자동 추정, 파라미터 튜닝 부담 감소. - MCMC 기반 베타‑베르누이‑가우시안 계층 모델을 설계하고, 이를 ADMM과 결합해 효율적인 CS‑MRI 재구성 알고리즘을 구현. - 전역 TV 정규화와 결합해 노이즈에 강인한 복원 성능을 입증, 기존 K‑SVD 기반 방법 대비 PSNR·SSIM에서 현저한 개선. - 딕셔너리 사용 통계 분석을 통해 모델이 실제로 필요한 원소만을 선택함을 시각적으로 확인. 향후 연구 방향으로는 다채널(멀티코일) MRI, 동적 시퀀스(시간‑연속 영상), 그리고 딥러닝 기반 사전과의 하이브리드 모델을 고려할 수 있다. 또한, 베타 프로세스의 확장형인 히어라키컬 베타 프로세스나 스파스 가우시안 프로세스를 도입해 보다 복잡한 구조적 희소성을 모델링하는 것도 가능할 것이다.