딥러닝 기반 비선형 초음파 재구성 혁신

본 논문은 단일 측면에서만 접근 가능한 대형 구조물의 비파괴 검사를 위해 초음파 반사 단층 촬영(ultrasound reflection tomography)의 재구성 품질을 크게 향상시키는 새로운 방법을 제시한다. 기존의 빠른 연산이 가능한 SAFT(Delay‑and‑Sum)와 선형 모델 기반 MBIR(L‑MBIR)은 각각 연산 속도와 정량적 개선이라는 장점을 가지고 있지만, 초음파 파동이 매질을 통과하면서 발생하는 비선형 전파, 다중 반사, 감쇠 등 복합적인 현상을 충분히 반영하지 못한다. 이로 인해 그림자, 반향, 경계 흐림 등 심각한 아티팩트가 발생하고, 재구성된 영상이 실제 물리량(예: 음속)과 직접적인 정량적 연관성을 갖지 못한다. 이에 저자들은 두 단계 비반복(Non‑Iterative) 접근법을 설계하였다. 첫 번째 단계에서는 기존 L‑MBIR에서 사용된 선형 시스템 행렬 A의 전치 연산(ATy)을 적용해 빠르게 초기 영상을 생성한다. 이 초기 영상은 선형 근사에 기반하므로 비선형 효과에 의해 왜곡된 형태이지만, 대략적인 구조와 경계 정보를 포함한다. 두 번째 단계에서는 이러한 초기 영상을 입력으로 받아, 다중 스케일 U‑Net 구조(스킵 연결 포함)를 통해 실제 물리량, 특히 매질의 음속 분포로 정밀하게 보정한다. U‑Net은 깊은 컨볼루션 레이어와 풀링·업샘플링 경로를 결합해 전역적인 컨텍스트와 로컬 디테일을 동시에 학습할 수 있어, 비선형 파동 효과와 공간적 변이성을 효과적으로 보정한다. 학습 데이터는 k‑Wave 시뮬레이터를 이용해 1800개의 32 × 48 픽셀 이미지(훈련)와 200개(검증), 200개(테스트)로 구성하였다. 시뮬레이션 환경은 콘크리트 배경(음속 3680 m/s), 강재 보강재(5660 m/s), 결함(4500 m/s) 등을 포함했으며, 밀도와 감쇠는 고정하였다. 손실 함수는 평균 제곱 오차(MSE)이며, 배치 크기 1, 학습률 1e‑4, 모멘텀 0.5로 SGD를 사용해 최적화하였다. 학습 과정에서 훈련 및 검증 손실이 안정적으로 감소했으며, 과적합 없이 수렴함을 확인했다. 실험 결과는 정량적 지표와 정성적 영상 모두에서 기존 방법을 크게 앞선다. NRMSE는 SAFT 0.0614, L‑MBIR 0.0666, 제안된 DDL 0.0188로 약 3배 개선되었으며, SSIM은 0.5583→0.4147→0.9340으로 거의 완벽에 가까운 구조적 유사성을 보였다. 특히 깊이 있는 결함이나 강재 보강재 뒤에 숨겨진 구조를 정확히 복원하고, 반향·그림자 아티팩트를 거의 제거하였다. 실험 데이터에서도 동일한 트레이닝 셋을 사용했음에도 불구하고, 콘크리트 음속을 2620 m/s로 조정하고 잡음(N(0,200²))을 추가함으로써 모델의 일반화 능력을 검증하였다. DDL은 압력, 반사계수와 같은 기존 방법의 단위가 아닌, 직접적으로 물리적 의미를 갖는 음속 단위로 복원함으로써 정량적 해석이 가능해졌다. 하지만 약한 반사 신호에 대해서는 학습 데이터에 존재하는 형태(예: 원형 객체)와 유사한 가짜 구조가 생성될 위험이 있음을 지적한다. 이는 딥러닝 모델이 훈련 데이터의 통계적 특성을 과도하게 학습할 경우 발생할 수 있는 일반적인 문제이며, 실제 현장 적용 시 주의가 필요하다. 결론적으로, 비선형 초음파 전파 모델을 직접 역산하는 고비용 연산을 회피하면서도, 딥러닝을 통해 비선형 효과를 효과적으로 보정할 수 있음을 입증하였다. 향후 연구에서는 다양한 재료 특성(감쇠, 밀도)와 복합적인 기하학적 구조를 포함한 데이터셋 확대, 실시간 적용을 위한 경량화 모델 설계, 그리고 불확실성 추정 및 해석 가능성 향상이 필요하다.