빠른 다중 클래스 사전 학습을 통한 MRI 재구성의 기하학적 방향 활용

초록

본 논문은 k-공간을 언더샘플링한 MRI에서 이미지 재구성을 고속으로 수행하기 위해, 동일한 기하학적 방향을 가진 패치를 클래스로 묶어 각각의 클래스에 맞는 직교 사전을 학습한다. 다중 클래스 사전을 이용한 새로운 희소 재구성 모델을 ADMM으로 효율적으로 풀어, 기존 K‑SVD 기반 방법보다 연산 속도가 크게 향상되고, 고가속도(최대 10배)에서도 잡음·아티팩트 억제와 경계 보존이 우수함을 실험을 통해 입증한다.

상세 요약

이 연구는 MRI 재구성에서 가장 핵심적인 문제인 ‘희소 표현’과 ‘사전 학습’ 사이의 트레이드오프를 새로운 관점으로 접근한다. 기존의 K‑SVD 기반 사전 학습은 전역 사전을 하나만 학습하거나, 혹은 작은 패치 집합에 대해 반복적인 SVD 연산을 수행함으로써 계산량이 급증한다는 한계가 있었다. 저자들은 먼저 이미지를 겹치지 않는 혹은 겹치는 작은 패치들로 분할하고, 각 패치가 갖는 기하학적 방향(예: 수평, 수직, 대각선 등)을 추정한다. 이때 방향 추정은 간단한 Sobel 필터 혹은 구조 텐서 분석을 이용해 빠르게 수행된다. 동일한 방향을 공유하는 패치들을 하나의 클래스에 모아, 클래스별로 직교 사전을 학습한다는 점이 핵심이다. 직교 사전은 일반적인 과잉완전(over‑complete) 사전과 달리 사전 원소 간 내적이 0이 되도록 강제함으로써, 사전 학습 단계에서 복잡한 정규화 연산을 생략하고 단순한 고유값 분해(EVD)만으로도 최적화를 가능하게 한다. 이는 기존 K‑SVD가 매 반복마다 O(N·K·L) (N: 패치 수, K: 사전 원소 수, L: 패치 차원) 복잡도를 갖는 반면, 직교 사전은 O(K³) 수준의 고정 비용만 요구한다는 점에서 계산 효율성을 크게 높인다.

다음으로 제안된 재구성 모델은 데이터 적합도 항(undersampled k‑space와의 일치)과 다중 클래스 사전 기반 희소성 항을 결합한다. 이때 각 클래스별 사전은 별도의 가중치 λ_c 로 조절되며, 전체 목표 함수는

    min_x ½‖F_u x – y‖₂² + Σ_c λ_c ‖D_c^T R_c x‖₁

형태를 가진다. 여기서 F_u는 언더샘플링된 Fourier 연산자, y는 측정된 k‑space 데이터, R_c는 이미지에서 클래스 c에 해당하는 패치를 추출하는 연산자, D_c는 클래스 c의 직교 사전이다. L1 정규화는 ADMM(Alternating Direction Method of Multipliers) 프레임워크 내에서 각각의 서브문제를 닫힌 형태로 풀 수 있게 해준다. 특히, 직교 사전 덕분에 D_c^T R_c x 에 대한 역변환이 단순한 행렬 곱으로 구현 가능해, 매 ADMM 반복마다 복잡한 사전 적용 연산이 크게 경감된다.

실험에서는 정형화된 Shepp‑Logan phantom과 실제 뇌 MRI 데이터를 사용해 가속 인자 4, 6, 8, 10에 대해 다양한 무작위 및 파라메트릭 언더샘플링 패턴을 적용하였다. 비교 대상은 전통적인 CS‑MRI(총변형 L1), K‑SVD 기반 딕셔너리 학습, 그리고 최신 딥러닝 기반 재구성 방법이다. 정량적 지표인 PSNR, SSIM, 그리고 재구성 시간에서 제안 방법은 K‑SVD 대비 평균 35배 빠른 속도를 보였으며, PSNR/SSIM에서도 0.51.2 dB, 0.02~0.04 정도의 개선을 기록했다. 특히 고가속도(10배) 상황에서 경계와 미세 구조가 유지되는 모습을 시각적으로 확인할 수 있었다.

이 논문의 주요 기여는 (1) 기하학적 방향에 기반한 패치 분류를 통해 사전 학습의 지역성을 강화하고, (2) 직교 사전을 도입해 학습 및 적용 단계의 연산 복잡도를 크게 낮춘 점, (3) 다중 클래스 사전을 ADMM에 자연스럽게 통합해 효율적인 최적화를 구현한 점이다. 제한점으로는 방향 분류가 단순히 2D 평면에 국한되어 3D MRI나 복합적인 구조에 대해서는 추가적인 확장이 필요하다는 점, 그리고 사전 크기와 클래스 수 선택이 성능에 민감하게 작용한다는 점을 들 수 있다. 향후 연구에서는 자동 클래스 수 결정, 3D 방향 추정, 그리고 딥러닝 기반 사전 초기화와의 하이브리드 방식을 탐색할 여지가 있다.