CAD 기반 2.5D 딥러닝 MBIR을 이용한 Xray CT 재구성

초록

본 논문은 적층 제조(AM) 부품의 CAD 모델을 활용해 결함을 시뮬레이션하고, 이를 기반으로 만든 X‑ray CT 측정 데이터를 FBP와 MBIR로 처리한다. 그런 뒤, 저품질 FBP 영상과 고품질 MBIR 영상을 쌍으로 사용해 2.5D 딥러닝 네트워크를 학습시켜, 실제 부품에 대한 소수의 측정만으로도 실시간에 가까운 속도로 MBIR 수준의 고품질 3D 재구성을 가능하게 한다.

상세 분석

이 연구는 적층 제조(AM) 공정에서 흔히 제공되는 CAD 모델을 강력한 사전(prior) 정보로 활용한다는 점에서 혁신적이다. 기존 CT 재구성 방법은 크게 두 갈래로 나뉜다. 첫 번째는 필터드 백프로젝션(FBP)처럼 계산량이 적지만 노이즈와 아티팩트가 많이 발생하는 선형 방법이며, 두 번째는 모델 기반 반복 재구성(MBIR)처럼 물리 모델과 통계적 노이즈 모델을 결합해 고품질 영상을 얻지만 연산 비용이 매우 높다. 저자는 이 두 방법의 장점을 결합하고자, CAD 기반 시뮬레이션을 통해 결함이 포함된 가상 부품을 만들고, 그에 대한 X‑ray 투영 데이터를 생성한다. 이후 동일한 투영 데이터를 FBP와 MBIR 각각으로 복원해 저품질·고품질 영상 쌍을 만든다.

핵심은 2.5D 딥러닝 네트워크이다. 2.5D란 각 슬라이스를 독립적으로 처리하는 것이 아니라, 현재 슬라이스와 인접한 앞·뒤 슬라이스들을 입력으로 받아 3차원 연속성을 어느 정도 보존한다는 의미다. 이는 완전 3D 컨볼루션에 비해 메모리와 연산량이 크게 절감되면서도, 2D 네트워크가 갖는 경계 효과를 완화한다. 네트워크 구조는 기존 논문