고속 3D 초음파 재구성을 위한 확산 모델

초록

본 논문은 고속으로 획득된 3차원 심장 초음파 데이터를 제한된 고도(elevation) 평면만으로부터 복원하기 위해 확산 모델(Diffusion Model)을 활용한 새로운 재구성 프레임워크를 제안한다. 기존의 단순 보간법과 최신 딥러닝 기반 보간법을 비교했을 때, 제안된 확산 모델 기반 방법은 이미지 품질, 심장 기능 측정 정확도, 그리고 외부 분포 데이터에 대한 복원 성능에서 일관되게 우수함을 보였다. 또한 시간적 일관성을 이용해 추론 속도를 가속화하고, 다중 샘플링을 통한 불확실성 정량화와 이상 탐지를 가능하게 한다.

상세 분석

본 연구는 3D 초음파 영상의 고볼륨 레이트와 고품질 사이의 전통적인 트레이드오프를 확산 모델을 이용한 사후 샘플링 방식으로 완화한다. 먼저, 저해상도 고도(elevation) 평면만을 획득하는 ‘스파스 인터록킹’ 방식으로 데이터를 수집한다. 이는 시간축에 걸쳐 서로 보완되는 평면을 순차적으로 촬영함으로써, 연속적인 프레임 간에 충분한 공간적·시간적 레퍼런스를 제공한다. 이러한 스파스 마스크는 수학적으로 이진 측정 행렬 A와 마스크 연산 M=diag(AᵀA) 로 표현되며, 복원 문제는 y = A x 형태의 선형 관측식으로 정의된다.

핵심 아이디어는 완전 샘플링된 고도 평면(B plane)에서 학습된 2D 스코어 기반 확산 모델을 3D 재구성의 사전(prior)으로 활용하는 것이다. 확산 모델은 전방 노이즈 주입 과정 xₜ = αₜ x₀ + σₜ ε 를 역전시켜 점진적으로 노이즈를 제거하며, 네트워크는 ε̂ = εθ(xₜ, t) 로 스코어를 근사한다. 학습은 단순한 denoising score‑matching 손실 L(θ)=E‖ε̂−ε‖² 로 수행되어, 라벨이 없는 대규모 3D 초음파 데이터셋에서도 효율적으로 사전을 획득한다.

복원 단계에서는 관측 마스크 M에 의해 결손된 voxels를 조건부 확산 샘플링으로 채운다. 구체적으로, 현재 추정된 볼륨 x̂ₜ에 대해 측정 일관성을 강제하는 데이터 적합 항 ‖M·x̂ₜ−y‖² 를 추가하고, 이를 Langevin‑like 업데이트와 결합해 사후 분포 p(x|y) 를 탐색한다. 시간적 일관성을 활용하기 위해 인접 프레임의 복원 결과를 초기값으로 사용하거나, 시퀀스‑투‑시퀀스 모델링을 통해 샘플링 스텝 수를 크게 감소시켰다. 결과적으로 10~15 단계의 가속된 샘플링으로도 기존 100 단계 대비 유사한 PSNR·SSIM을 달성하였다.

불확실성 정량화는 동일한 관측 y에 대해 다중(예: 30) 사후 샘플을 생성하고, voxel‑wise 평균·표준편차를 계산함으로써 구현한다. 표준편차 맵은 재구성 신뢰도가 낮은 영역을 시각화하고, 합성 이상(예: 가짜 종양) 데이터에 대한 탐지율을 크게 향상시킨다. 특히, 강한 서브샘플링(r≥6) 상황에서도 확산 모델은 GAN 기반 보간법보다 높은 recall을 보이며, OOD 데이터에 대한 강인성을 입증한다.

실험은 3D 심장 초음파 데이터셋(≈2000 볼륨, 1.5 mm³ 해상도)을 사용했으며, 비교 대상으로는 선형 보간, 3D CNN 기반 초해상도, 그리고 최근의 Voxel‑GAN을 포함한다. 정량적 지표(Peak‑Signal‑to‑Noise‑Ratio, Structural‑Similarity, 그리고 ejection‑fraction 오차)와 정성적 시각 평가 모두에서 확산 모델이 우수함을 확인했다. 또한, 추론 시간은 GPU(A100) 기준 0.12 s/프레임으로, 임상 실시간 적용에 충분히 근접한 수준이다.

한계점으로는 현재 2D 스코어 모델을 3D 볼륨에 적용하면서 축간 연속성을 완전히 보장하지 못한다는 점, 그리고 매우 높은 가속률(r>10)에서는 여전히 잔여 아티팩트가 남는다는 점을 들 수 있다. 향후 연구에서는 3D UNet 기반의 3D 확산 사전 학습, 그리고 모델 경량화를 위한 지식 증류(distillation) 기법을 도입해 실시간 성능을 더욱 끌어올릴 계획이다.