딕셔너리 학습 기반 이미지 도메인 물질 분해를 활용한 스펙트럼 CT

초록

본 논문은 스펙트럼 CT에서 물질 분해 정확도를 높이기 위해 이미지 도메인에서 딕셔너리 학습을 적용한 DLIMD(Dictionary Learning based Image-domain Material Decomposition) 방법을 제안한다. 먼저 스펙트럼 CT 영상을 재구성하고, 균일 영역을 이용해 물질 계수 행렬을 만든 뒤 직접 역전파(DI)로 초기 물질 이미지와 패치를 추출한다. 추출된 패치를 K‑SVD로 통합 딕셔너리를 학습하고, 이 딕셔너리를 이용해 물질 이미지의 구조적 유사성을 강화한다. 마지막으로 부피 보존 및 픽셀 값 범위 제약을 추가해 정량성을 개선하였다. 물리적 팬텀 및 전임상 실험을 통해 기존 방법 대비 물질 분해 정확도, 경계 보존, 특징 복원에서 우수함을 확인하였다.

상세 분석

DLIMD는 스펙트럼 CT의 물질 분해 문제를 이미지 도메인에서 딥러닝이 아닌 전통적인 사전 학습 기반 방법으로 접근한다는 점에서 독창적이다. 기존의 직접 역전파(DI)나 선형 최소제곱(LSQ) 방식은 노이즈와 데이터 불완전성에 취약한데, 본 연구는 먼저 DI를 통해 초기 물질 이미지를 얻고, 이를 정규화한 뒤 3차원 텐서 형태로 전개한다. 여기서 모드‑1 언폴딩을 수행해 2차원 행렬로 변환하고, 이미지 패치를 추출해 K‑SVD 알고리즘으로 통합 딕셔너리를 학습한다. K‑SVD는 원자(딕셔너리 원소)와 희소 계수를 교대로 업데이트함으로써, 물질 이미지 내의 반복적인 구조와 텍스처를 효율적으로 포착한다. 학습된 딕셔너리는 이후 재구성 단계에서 각 물질 이미지 패치를 해당 딕셔너리 원자들의 선형 결합으로 표현하도록 제약을 가한다. 이 과정은 희소 코딩(sparse coding) 문제를 L1 정규화와 교차 검증을 통해 해결하며, 물질 간 경계가 뚜렷한 영역에서 특히 높은 재현성을 보인다.

추가적으로 부피 보존(constraint of volume conservation)과 각 물질 픽셀 값이 물리적 한계(0~1) 내에 머물도록 하는 바운드 제약을 최적화 목표에 포함시켰다. 이는 물질 비율이 전체 부피와 일치하도록 강제함으로써, 특히 저감도 영역에서 발생할 수 있는 과도한 값이나 음수 값을 억제한다. 최적화는 교차점 방법(Alternating Direction Method of Multipliers, ADMM)으로 구현되어, 딕셔너리 기반 재구성 단계와 제약 조건 적용을 효율적으로 결합한다.

실험에서는 물리적 팬텀(다중 물질 삽입체)과 전임상 마우스 모델을 사용해 정량적 오차(RMSE), 구조적 유사도(SSIM), 에지 보존 지표를 평가하였다. 결과는 기존 DI, iterative material decomposition (IMD), 그리고 최신 딥러닝 기반 방법들과 비교했을 때, 평균 RMSE를 15~30% 감소시키고, 경계 선명도와 작은 구조 복원에서 유의미한 개선을 보였다. 특히, 희소 딕셔너리 학습이 노이즈에 강인한 특성을 제공함으로써, 저선량 스캔에서도 안정적인 물질 추정이 가능함을 확인하였다.

이러한 접근은 딥러닝 모델이 요구하는 대규모 라벨링 데이터와 고성능 GPU 자원을 필요로 하지 않으며, 기존 CT 시스템에 소프트웨어 레벨에서 쉽게 통합될 수 있다는 실용적 장점을 가진다. 다만, 딕셔너리 학습 단계에서 선택된 패치 크기와 원자 수가 최종 성능에 크게 영향을 미치므로, 다양한 임상 시나리오에 맞춘 파라미터 튜닝이 필요하다. 앞으로는 다채널(다중 에너지) 데이터와 연계한 다중 딕셔너리 구조, 그리고 실시간 구현을 위한 가속화 기법이 연구될 여지가 있다.