혼합 1비트 압축 센싱을 이용한 CT 과다노출 보정

초록

**
본 논문은 CT 촬영 시 발생하는 과다노출(포화) 데이터를 활용하기 위해, 일반 아날로그 측정과 1비트 부호 정보가 혼합된 “혼합 1비트 압축 센싱(M1bit‑CS)” 모델을 제안한다. ADMM 기반 최적화와 반복 포화 검출(Iterative Saturation Detection) 절차를 도입하여, 포화된 측정에서도 유용한 정보를 추출하고, 이를 통해 C‑arm CT 재구성 시 발생하는 스트리킹·캡핑 아티팩트를 크게 감소시킨다. 실험 결과는 기존 외삽법 대비 정량·정성적으로 우수함을 보인다.

**

상세 분석

**
본 연구는 포화 현상이 발생한 CT 투사 데이터가 단순히 버려지는 것이 아니라, “하나의 비트” 정보(즉, 측정값이 상한을 초과했는지 하한 이하였는지)로 활용될 수 있다는 점에 착안하였다. 이를 위해 저자들은 기존 압축 센싱(CS)과 1비트 CS의 장점을 결합한 혼합 1비트 압축 센싱(M1bit‑CS) 모델을 수식적으로 정의한다. 모델은 두 종류의 손실 함수를 동시에 최소화한다. 첫 번째는 포화되지 않은 아날로그 측정에 대해 전통적인 최소제곱 손실(L₁)이며, 두 번째는 포화된 측정에 대해 핀볼 손실(Lτ) 혹은 힌지 손실을 적용한다. λ 파라미터는 두 손실 간의 균형을 조절하고, µ는 신호의 희소성을 제어한다.

알고리즘적 측면에서는 ADMM(Alternating Direction Method of Multipliers)을 채택하여 변수 x(복원 신호), e(포화 부호 일관성 변수), z(ℓ₂ 제약 변수)를 교대로 업데이트한다. 특히 e‑subproblem은 핀볼 손실의 형태에 따라 닫힌 형태의 해를 얻을 수 있어 계산 효율성을 높인다. 또한 ℓ₂ 제약을 직접 적용하는 M1bit‑CSC와 정규화 형태인 M1bit‑CSR 두 가지 변형을 제시함으로써, 신호의 에너지 추정이 가능한 경우와 불가능한 경우 모두에 대응한다.

포화 검출 과정은 초기에는 모든 포화 후보(p_i = s⁻)를 포화로 가정하고, 복원된 신호 ˜x를 기반으로 실제 측정값 ˜q_i와 비교하여 포화 여부를 재판정한다. 이 과정을 Ψ 벡터가 수렴할 때까지 반복함으로써, 포화와 비포화 측정을 정확히 구분한다. 잘못된 포화 판정이 복원에 미치는 부정적 영향을 최소화하기 위해, 하한이 0인 경우에만 이 절차를 적용한다는 점이 실용적이다.

실험에서는 1차원 희소 신호 복원과 CT 재구성 두 영역에서 성능을 검증한다. 1차원 실험에서는 포화 비율이 높아도 M1bit‑CS가 비포화 데이터와 거의 동등한 복원 정확도를 보였으며, λ와 τ 파라미터 선택이 결과에 큰 영향을 미치지 않음을 확인했다. CT 재구성 실험에서는 knee phantom과 시뮬레이션 임상 데이터를 사용했으며, 기존의 외삽 기반 방법이 남기는 스트리킹 및 캡핑 아티팩트가 현저히 감소하였다. 정량적으로는 평균 절대 오차(MAE)와 구조적 유사도(SSIM) 지표가 모두 개선되었으며, 특히 고밀도 영역에서 HU 값 복원이 크게 향상되었다.

이 논문의 주요 기여는 (1) 포화 데이터를 1비트 정보로 재활용하는 새로운 모델링, (2) ADMM 기반 효율적 최적화 알고리즘, (3) 반복 포화 검출을 통한 자동화된 데이터 전처리, (4) 실제 의료 영상에 적용 가능한 실증 결과이다. 또한, 포화 현상이 흔한 저비용 C‑arm CT와 같은 시스템에서 하드웨어적 해결책(예: 빔필터, 클레이) 대신 소프트웨어적으로 문제를 해결할 수 있다는 점에서 임상 적용 가능성이 높다. 향후 연구는 다중 에너지 CT, 비선형 감쇠 모델, 그리고 딥러닝 기반 사전학습과의 하이브리드에 확장될 여지가 있다.

**