데이터 없이 수행하는 제로샷 편향 보정: 효율적인 MR 이미지 불균일성 감소

초록

본 논문은 사전 학습 데이터 없이 MRI의 강도 편향을 교정하는 제로샷 딥러닝 프레임워크를 제안한다. 3천 개 정도의 파라미터만을 갖는 경량 3D CNN을 이용해 이미지별 α 맵을 추정하고, 이를 기반으로 4번의 반복적 동질성 보정과 이미지 사전 손실을 동시에 최적화한다. 실험 결과, 기존 N4 알고리즘에 비해 처리 시간이 수 초 수준으로 크게 단축되면서도 뇌와 골반 데이터에서 변동계수(CV) 기준으로 동등하거나 우수한 성능을 보였다.

상세 분석

본 연구는 MRI 이미지에서 흔히 발생하는 강도 편향(바이어스 필드) 문제를 해결하기 위해 ‘제로샷’ 접근법을 채택하였다. 기존의 감독학습 기반 방법은 대규모 라벨링된 데이터와 편향 필드 시뮬레이션이 필요하지만, 제안된 모델은 전혀 사전 데이터 없이 테스트 단계에서 온라인 최적화를 수행한다는 점에서 혁신적이다. 핵심 설계는 3D 볼륨을 8배 다운샘플링한 뒤, 깊이별 분리 컨볼루션(Depthwise Separable Convolution, DSC)을 활용해 파라미터를 약 3 k개로 제한한 경량 인코더이다. 이는 GPU 메모리와 연산량을 크게 절감하면서도 3D 구조 정보를 충분히 보존한다.

모델은 두 개의 픽셀‑투‑픽셀 매핑 모듈을 출력한다. 첫 번째는 α 파라미터 맵으로, 식 (2)·(3)에서 정의된 ‘동질성 보정(Homogeneity Correction, HC)’ 함수에 삽입되어 각 voxel의 강도를 점진적으로 조정한다. α는 tanh 함수를 통해 정규화되며, 4번의 반복을 거쳐 과보정(over‑exposure)을 방지한다. 두 번째는 예측된 바이어스 맵 ˆB이며, 시그모이드 함수를 통해