다채널 다대조 MRI 압축센싱에서 개별·공동 정규화 동시 적용

초록

본 연구는 다채널·다대조 MRI 데이터를 압축센싱으로 재구성할 때, 공통 정보를 활용하는 공동 정규화와 개별 정보를 보존하는 개별 정규화를 동시에 적용하는 새로운 알고리즘을 제안한다. 그룹 스파시티와 컬러 TV를 공동 정규화로, 개별 스파시티와 TV를 개별 정규화로 사용해 특징 누출(leakage‑of‑features)을 방지하고, ADMM 기반 빠른 최적화로 구현하였다. 시뮬레이션 및 실제 인‑비보 실험에서 기존 단일 정규화 방식보다 재구성 품질과 방사선 전문의 평가 점수가 향상되었으며, 특히 공동 정규화만 사용할 경우 발생하던 인공 조직 생성 현상을 효과적으로 억제하였다.

상세 분석

이 논문은 다채널·다대조 MRI에서 압축센싱(CS) 재구성 시 발생하는 두 가지 상충 문제를 동시에 해결하고자 한다. 첫 번째는 여러 대비(contrast) 이미지 간에 존재하는 공통 구조—예를 들어 해부학적 경계나 조직의 형태—를 효율적으로 활용해 샘플링 효율을 높이는 것이고, 두 번째는 각 대비마다 고유한 병변이나 신호 변화를 보존하여 진단 정보를 손실하지 않는 것이다. 기존 연구에서는 공동 정규화(예: 그룹 스파시티, 컬러 총변동)만을 적용해 공통 정보를 강화했지만, 이 경우 특정 대비에만 존재하는 특징이 다른 대비로 ‘누출’되어 인공 조직처럼 보이는 현상이 보고되었다. 반대로 개별 정규화만을 적용하면 공통 구조를 충분히 활용하지 못해 재구성 품질이 저하된다.

저자들은 이 딜레마를 해소하기 위해 두 종류의 정규화를 동시에 최적화하는 프레임워크를 설계하였다. 공동 정규화 항으로는 그룹 스파시티(ℓ2,1‑norm)와 컬러 TV(다채널 총변동)를 도입해 다채널 이미지 전체에서 동일한 위치에 존재하는 에지와 스파시티를 공동으로 억제한다. 이는 각 대비가 공유하는 해부학적 정보를 효과적으로 압축한다. 동시에 개별 정규화 항으로는 각 채널별 ℓ1‑스파시티와 전통적인 TV를 포함시켜, 개별 대비의 특이한 고주파 성분이나 미세 병변이 다른 채널에 침투하는 것을 방지한다.

수학적으로는 전체 목적함수를 4개의 항(데이터 적합도, 공동 스파시티, 공동 TV, 개별 스파시티·TV)으로 구성하고, 변수 분할을 통해 ADMM(Alternating Direction Method of Multipliers) 기반의 교대 최적화 절차를 도입한다. ADMM은 각 정규화 항에 대한 proximal 연산을 별도로 수행하게 함으로써 복합 목적함수를 효율적으로 풀 수 있게 한다. 특히, 그룹 스파시티와 컬러 TV에 대한 proximal 연산은 기존 단일 채널 TV와는 다른 닫힌 형태 해를 갖지만, 저자들은 이를 빠른 행렬 연산과 소프트‑쓰레싱(soft‑thresholding)으로 구현해 연산 복잡도를 크게 낮추었다.

실험에서는 단일 채널 시뮬레이션 데이터와 실제 다채널 다대조 MRI(뇌, 무릎 등) 데이터를 사용해 세 가지 설정을 비교하였다. (1) 개별 정규화만, (2) 공동 정규화만, (3) 제안한 동시 정규화. 정량적 평가지표로는 PSNR, SSIM, 그리고 구조적 유사도 지표를 사용했으며, 정성적 평가는 2명의 신경방사선과 전문의가 블라인드 평가한 이미지 품질 점수를 활용했다. 결과는 제안 방법이 PSNR/SSIM에서 평균 2‑3 dB, 0.02‑0.04의 개선을 보였으며, 전문의 점수에서도 통계적으로 유의미한 상승을 기록했다. 특히 공동 정규화만 적용했을 때 관찰된 ‘특징 누출’ 현상이 거의 사라졌고, 이는 임상적 오진 위험을 크게 감소시킬 수 있음을 시사한다.

이러한 접근은 다대조 MRI뿐 아니라, PET‑MRI, CT‑MRI 등 이종 모달리티 결합에도 확장 가능하다. 또한, ADMM 기반 구현이 GPU 가속에 적합하므로 실시간 혹은 근실시간 재구성 파이프라인에 적용할 여지가 크다. 향후 연구에서는 정규화 가중치를 자동으로 학습하는 딥러닝 기반 메타‑옵티마이저와 결합하거나, 비선형 변환(예: 복소수 이미지)에도 적용 가능한 일반화된 프레임워크를 탐색할 수 있다.