딥러닝 기반 반복 재구성으로 저선량 CT 이미지 품질 향상

본 논문은 저선량 CT에서 발생하는 높은 노이즈와 투영 수 감소에 따른 아티팩트를 최소화하기 위해, 전통적인 반복 재구성 기법인 SIRT와 딥 뉴럴 네트워크(DNN)를 결합한 새로운 재구성 프레임워크를 제안한다. 먼저, 저선량 CT의 문제점을 소개하며, 기존 접근법—압축 센싱 기반 정규화, FBP 후처리 DNN, sinogram‑to‑image end‑to‑end 네트워크—의 한계점을 지적한다. 특히, 대부분의 학습 기반 방법은 이미지 품질은 개선하지만 sinogram과의 일치성을 보장하지 못하고, 반대로 SIRT는 sinogram 충실도는 유지하지만 이미지 영역에서의 정규화가 부족해 노이즈와 스트리킹을 완전히 제거하지 못한다는 점을 강조한다. 이를 해결하기 위해 저자는 DNN을 SIRT의 정규화 항으로 삽입한다. 구체적인 수식은 다음과 같다. 기존 SIRT 업데이트는 xₖ₊₁ = xₖ + C AᵀR(p − W xₖ)이며, 여기서 C와 R은 각각 컬럼·로우 합의 역수를 대각 성분으로 갖는 행렬이다. 제안 방법에서는 위 식에 REG라는 정규화 항을 추가한다: xₖ₊₁ = xₖ + C AᵀR(p − W xₖ) + REG. REG는 DNN이 예측한 잔차(residual)로 정의되며, 이는 목표 이미지(GT)와 현재 SIRT 결과 사이의 차이를 의미한다. 수식 (7)에서 REG = GT − (𝑥̂ₖ + C WᵀR(p − W x̂ₖ)) 로 표현된다. 즉, DNN은 현재 재구성 이미지가 목표와 얼마나 차이나는지를 학습하고, 이를 통해 SIRT가 이미지 공간에서도 목표에 더 가깝게 수렴하도록 유도한다. 네트워크 구조는 Mixed‑Scale Dense(MSD) 아키텍처를 채택한다. MSD는 각 층마다 서로 다른 팽창(dilation) 계수를 가진 3×3 컨볼루션을 사용하고, 이전 모든 층의 출력을 채널 차원에서 concatenate 함으로써 풍부한 다중 스케일 정보를 전달한다. 파라미터 수가 적어 과적합 위험이 낮으며, ReLU 활성화와 마지막 층의 tanh 활성화를 통해 안정적인 학습을 보장한다. DNN은 입력으로 현재 SIRT 중간 결과를 받고, 출력으로 목표와의 잔차를 제공한다. 이 잔차는 매 N번의 SIRT 반복 후에 정규화 항으로 적용된다. 실험은 두 개의 공개 데이터셋을 사용한다. 첫 번째는 CPTA‑PD‑A 데이터베이스로, 45개의 방사선 및 77개의 병리 샘플을 포함하며 총 45,786장의 판상 이미지가 있다. 두 번째는 Visible Human Project CT 데이터셋으로, 2,989장의 512×512 CT 이미지가 포함된다. 모든 이미지는 128×128로 리사이즈되었으며, 저선량 시나리오는 20개의 등간격 투영(0°–180°)만을 사용해 sinogram을 생성함으로써 구현하였다. 평가 지표는 PSNR, SSIM 등 전통적인 이미지 품질 지표와 함께, 재구성된 이미지의 forward projection이 원본 sinogram과 얼마나 일치하는지를 나타내는 sinogram fidelity를 포함한다. 결과는 제안 방법이 기존 DNN‑only, SIRT‑only, 그리고 최신 GAN‑기반 방법보다 PSNR·SSIM 모두에서 평균 2–3 dB 향상을 보였으며, sinogram fidelity에서도 현저히 높은 일치를 나타냈다. 특히, 기존 학습 기반 방법들은 sinogram 재현성에서 큰 손실을 보였지만, 본 방법은 SIRT의 데이터 충실성을 그대로 유지하면서 이미지 품질을 크게 개선하였다. 논문의 주요 기여는 다음과 같다. 첫째, DNN을 정규화 항으로 활용해 이미지와 sinogram 두 도메인 모두에서 최적화를 달성한 점. 둘째, 파라미터 효율성이 높은 MSD 아키텍처를 통해 다중 스케일 정보를 효과적으로 활용한 점. 셋째, 정규화 적용 주기를 조절함으로써 연산 비용과 성능 사이의 균형을 유연하게 관리한 점이다. 마지막으로, 다양한 데이터셋과 저선량 시뮬레이션을 통해 제안 방법의 일반화 가능성을 입증하였다. 향후 연구에서는 3D 볼륨 재구성, 비정형 투영 기하학 적용, 그리고 실제 임상 데이터에 대한 검증을 통해 실용성을 더욱 확대할 필요가 있다.