가시 특이점 기반 상관 네트워크를 이용한 제한 각도 CT 복원

초록

본 논문은 제한 각도 CT(LACT)에서 발생하는 방향성 아티팩트와 구조 손실을 해결하기 위해 가시 특이점(VS)을 강조하고, VS와 이미지 전 영역 간의 상관관계를 학습하는 VSGC 네트워크를 제안한다. VS 에지 특징을 추출하는 VSWD 모듈과 다중 스케일 상관 자기‑주의(MCA) 모듈을 결합하고, 방향성 가중치를 포함한 다중 스케일 손실 함수를 설계하여 작은 각도 범위에서도 PSNR 2.45 dB, SSIM 1.5 % 향상을 달성한다.

상세 분석

VSGC(Visible Singularities Guided Correlation) 네트워크는 제한 각도 CT의 핵심 물리적 특성을 두 단계로 정형화한다. 첫 번째 단계는 제한 각도 투영으로 인해 재구성된 이미지에서 가시 특이점(VS) 즉, X‑ray 레이와 접선 관계에 있는 경계 부분의 고주파 에지 정보를 강조하는 것이다. 이를 위해 저자들은 VSWD(Visible Singularities Wavelet Dense) 모듈을 설계했으며, Sobel 연산자를 이용해 x·y 방향 에지를 추출한 뒤 원본 이미지와 합성해 에지 강화 특성 맵 Fe를 만든다. 이후 2‑D 웨이블릿 변환을 적용해 저주파(IVS)와 고주파(VS) 서브밴드로 분리하고, 각 서브밴드에 적응형 컨볼루션 커널(K0~K4)을 적용한다. 특히 고주파 서브밴드(LH, HL, HH)에 집중하는 컨볼루션은 VS의 미세 구조를 보존·강화하고, 저주파 서브밴드(LL)는 전반적인 이미지 컨텍스트를 유지한다.

두 번째 단계는 강화된 VS 에지 특징과 이미지의 다른 영역 사이의 상관관계를 학습하는 것이다. 저자들은 MCA(Multi‑scale Cross‑region Correlation Attention)라는 자기‑주의 기반 모듈을 제안했으며, 여기서는 전역적인 상관을 포착하기 위해 어텐션 스코어 행렬에서 각 행의 Top‑k 값을 남겨 중요한 글로벌 연결만을 유지한다. 동시에 컨볼루션 채널을 병렬로 배치해 지역 패치 내의 세밀한 상관을 보완한다. 이렇게 구성된 UMCA(Universal MCA) 모듈은 VS가 포함된 고주파 정보를 IVS 영역에 전달함으로써, 기존 방법이 놓치기 쉬운 방향성 손실을 회복한다.

손실 함수 측면에서 VSGC는 네 가지 요소를 통합한 다중 스케일 손실을 사용한다. (1) 방향성 가중치 손실은 제한 각도에 의해 심하게 왜곡된 영역에 높은 가중치를 부여해 학습을 유도한다. (2) SSIM 손실은 구조적 유사성을 강화해 시각적 품질을 높인다. (3) 에지 그라디언트 손실은 경계 선명도를 유지하도록 돕고, (4) 퍼셉추얼 손실은 VGG 기반 특징 차이를 최소화해 과도한 스무딩을 방지한다. 이러한 복합 손실은 모델이 전역·지역·주파수·구조적 측면을 동시에 최적화하도록 만든다.

실험 결과는 시뮬레이션 데이터와 실제 의료 데이터 모두에서 VSGC가 기존 최첨단 방법(FBP, TV‑기반, 여러 딥러닝 기반 모델)보다 우수함을 보여준다. 특히 30° 이하의 매우 제한된 각도 구간에서 PSNR이 평균 2.45 dB, SSIM이 1.5 % 상승했으며, 시각적으로는 스트리크 아티팩트가 크게 감소하고 미세 혈관·뼈 구조가 복원된 것이 확인되었다. 코드가 공개돼 재현 가능성이 높으며, 제한 각도 CT뿐 아니라 다른 제한된 데이터 복원 문제에도 적용 가능할 것으로 기대된다.