축차적 커널을 이용한 초음파 이미지 복원 모델

초음파 영상은 저비용·고안전성으로 널리 사용되지만 이미지 품질이 제한적이다 이러한 한계를 극복하기 위해 조직 반사율 함수(TRF)를 정확히 추정하는 초음파 디컨볼루션 연구가 활발히 진행되어 왔다 기존 연구들은 대부분 2차원 선형 컨볼루션 모델을 가정하고, 계산 효율성을 위해 커널을 공간적으로 불변(invariant)하게 두며 순환(circulant) 경계 조건을 적용하였다 그러나 실제 초음파 시스템에서는 수신 초점과 시간 이득 보정 등에 의해 깊이에 따라 커널 폭이 넓어지는 현상이 발생한다 이는 공간 해상도가 깊이에 따라 감소한다는 의미이며, 이러한 현상을 무시하면 복원 품질이 크게 저하된다 저자들은 이러한 문제를 해결하기 위해 축방향(axial)으로 변하는 커널을 도입한 새로운 이미지 형성 모델을 제안한다 모델은 y=H P x+n 형태로 표현되며, x는 복원하고자 하는 TRF, y는 관측된 RF 이미지, n은 백색 가우시안 잡음이다 여기서 P는 이미지 경계 주변을 패딩하는 연산자로, 패딩 폭을 자유롭게 설정함으로써 제로 패딩·복제·대칭 등 다양한 경계 조건을 구현할 수 있다 P는 행렬 형태로는 Kronecker 곱을 이용한 희소 행렬로 표현 가능하지만 실제 구현에서는 행렬 없이 연산만으로 수행한다 H는 축방향마다 서로 다른 커널 k(i_h)를 적용해 유효(valid) 컨볼루션을 수행하는 연산자이다 H는 각 출력 행 i_h에 대해 해당 행에 대응하는 커널을 입력 이미지의 적절한 패치와 컨볼루션하고, 결과를 제로 패딩 후 합산하는 방식으로 정의된다 수식으로는 H=∑_{i_h=1}^{m_t} Z_t(i_h,i_h) C_1(k(i_h)) W_p(i_h,i_h+2m_r) 로 나타낸다 여기서 C_1은 유효 컨볼루션, Z_t는 행 선택을 위한 제로 패딩, W_p는 행 윈도우 연산이다 이 표현은 행렬 형태로 구현할 경우 메모리 요구량이 이미지 픽셀 수의 제곱에 비례해 비현실적이지만, 행렬‑프리 구현을 통해 연산량은 커널 크기와 이미지 크기의 곱에만 비례한다 따라서 커널이 작을수록 기존 불변 커널 모델과 동일한 O(m_t n_t) 복잡도를 유지한다 또한 H의 전치 연산 H^T는 정리 2에 의해 풀 컨볼루션(full convolution)과 회전된 커널 R(k(i_h))을 이용한 연산으로 변환된다 H^T=∑_{i_h=1}^{m_t} Z_p(i_h,i_h+2m_r) C_2(R(k(i_h))) W_t(i_h,i_h) 로 표현되며, 여기서 C_2는 풀 컨볼루션이다 P의 전치 P^T는 Kronecker 전치로 간단히 구한다 이러한 전·후 연산이 동일한 복잡도를 가지므로, 프로시멀 스플리팅 기반 최적화(예: 가속 복합 그라디언트 방법, ACGM)에서 매 반복마다 필요로 하는 데이터 적합도 그라디언트 ∇f(x)=P^T H^T(H P x−y)를 효율적으로 계산할 수 있다 실험에서는 Field II 시뮬레이터를 이용해 실제 신장 조직과 인간 조직 데이터를 기반으로 한 3개의 TRF를 생성하였다 각 TRF에 대해 깊이에 따라 가우시안 형태로 폭이 증가하는 커널을 설계했으며, 커널의 축방향 표준편차는 σ_z=m_r/3, 가로 표준편차는 깊이에 따라 선형적으로 변하도록 정의하였다 이러한 커널은 초점점에서 가장 좁고, 깊어질수록 넓어지는 실제 초음파 시스템의 특성을 반영한다 실험에서는 대칭 패딩을 선택하여 경계 효과를 현실적으로 모델링했으며, SNR 40dB의 잡음을 추가하였다 제안된 모델을 이용해 ACGM으로 150회 반복 후 복원을 수행했으며, 고정 커널을 사용한 축방향 불변 복원(AI)과 축방향 변이 복원(AV)을 비교하였다 결과는 AV가 경계 흐림 감소와 고주파 세부 구조 복원에서 현저히 우수함을 보여준다 또한 실행 시간과 메모리 사용량은 두 모델이 거의 동일했으며, 이는 행렬‑프리 구현이 대규모 초음파 영상에도 실용적임을 입증한다 전반적으로 이 논문은 초음파 영상 복원에 필요한 물리적 커널 변이를 정확히 모델링하면서도 계산 효율성을 유지하는 새로운 프레임워크를 제시하고, 기존 불변 커널 가정에 기반한 방법들의 한계를 극복할 수 있음을 실험적으로 증명한다