물리 기반 딥러닝을 활용한 OCT 광학 특성 및 스펙클 감소 구조 이미지 종단 재구성

초록

본 논문은 Monte Carlo 시뮬레이션으로 만든 코라클 OCT 데이터를 이용해, 광학 파라미터(굴절률, 산란계수, 비등방성)와 스펙클이 억제된 구조 강도를 동시에 복원하는 물리‑정규화 엔드‑투‑엔드 딥러닝 프레임워크를 제안한다. 차별화된 점은 미분 가능한 OCT 전방 모델(EHF 이론)을 손실에 포함시켜 물리적 일관성을 강제하고, 확산 모델 기반 스코어 정규화와 TV 정규화를 결합해 잡음에 강인한 복원을 달성한 것이다. 실험 결과는 기존 U‑Net 대비 PSNR·SSIM·MSE 모두에서 현저히 우수함을 보여준다.

상세 분석

이 연구는 OCT 역산 문제의 근본적인 난점—깊이에 따른 신호 감쇠, 강한 스펙클 노이즈, 그리고 굴절률 n, 산란계수 µs, 비등방성 g 사이의 강한 파라미터 결합—을 물리‑인포메이션 딥러닝으로 해결하고자 한다. 핵심 아이디어는 두 단계로 구성된다. 첫 번째는 다채널 U‑Net 구조를 사용해 입력 B‑mode 이미지(Iraw)로부터 네 개의 출력( n, µs, g, 스펙클‑감소 구조 강도 Ĩ)을 동시에 예측하는 것이다. 여기서 각 광학 파라미터는 독립적인 디코더 브랜치를 갖게 함으로써 파라미터 간 상호 간섭을 최소화한다. 두 번째는 미분 가능한 전방 모델을 손실에 삽입하는 물리‑정규화 단계이다. 전방 모델은 Extended Huygens–Fresnel(EHF) 이론을 기반으로 하며, 단일 산란, 전방 다중 산란, 그리고 이들의 교차항을 포함한다. 특히, 파라미터 g에 의해 결정되는 평균 산란각 θRMS≈√(2(1−g))와 깊이‑의존적인 빔 반경 wH(z), wS(z)를 명시적으로 계산해 OCT 진폭 A(z)²를 추정한다. 이렇게 얻은 가상 OCT 신호 ĨOCT=F_EHF(n,µs,g)는 실제 측정값 Iraw와 L_fwd=‖ĨOCT−Iraw‖² 형태의 전방 일관성 손실에 사용된다.

손실 함수는 네 가지 구성요소로 이루어진다. (1) 파라미터 재구성 MSE(L_MSE)는 Monte Carlo 기반 ‘진실’ 지도와의 픽셀‑레벨 차이를 최소화한다. (2) 전방 일관성 손실(L_fwd)은 물리 모델이 생성한 신호와 실제 OCT 신호 사이의 차이를 최소화해 파라미터 간 결합을 물리적으로 억제한다. (3) TV 정규화(L_TV)는 각 파라미터 맵과 스펙클 억제 이미지에 공간적 부드러움을 부여해 잡음 전파를 억제한다. (4) 확산 기반 스코어 정규화(L_DIFF)는 사전 학습된 EDM(Elucidated Diffusion Model) 디노이저가 제공하는 스코어 함수를 활용해 파라미터 맵에 통계적 사전 지식을 주입한다. 여기서 µs와 n에 동일 가중치(ω=1), g는 0으로 설정해 비등방성 파라미터가 상대적으로 불안정한 특성을 보완한다.

학습은 500개의 코라클 시뮬레이션 데이터(1024×1024)에서 패치 기반 미니배치를 이용해 NVIDIA A100 GPU에서 수행했으며, 학습률 2×10⁻⁵, Adam 옵티마이저, 검증 손실이 악화될 때 조기 종료한다. 추론 단계에서는 전방 모델이 필요 없으며, 단일 포워드 패스로 네 개의 출력이 동시에 얻어진다.

실험 결과는 정량적·정성적 두 축에서 기존 U‑Net 대비 우수함을 입증한다. 전체 모델은 구조 강도 PSNR 31.65 dB, SSIM 0.94, MSE 2.75×10⁻³을 기록했으며, 이는 확산 정규화 없이(PSNR 27.41 dB, SSIM 0.88) 혹은 물리 전방 제약 없이(PSNR 23.41 dB, SSIM 0.80) 훈련된 모델보다 크게 향상된 수치다. 파라미터별로는 µs와 g에서 특히 큰 개선이 관찰되었으며, n은 동적 범위가 작아 상대적으로 작은 차이를 보였다. 또한, 스펙클이 억제된 구조 강도 이미지에서 층 경계가 명확히 드러나며, 비정상적인 인공 층이 생성되지 않는다.

이 논문의 주요 기여는 (1) 미분 가능한 OCT 전방 모델을 딥러닝 손실에 통합해 물리적 일관성을 강제함으로써 파라미터 결합 문제를 완화, (2) 확산 모델 기반 스코어 정규화를 도입해 데이터 부족 상황에서도 강인한 통계적 사전 제공, (3) 다채널 U‑Net 설계로 파라미터별 특화된 표현 학습을 가능하게 함으로써 복합적인 광학 특성 복원을 단일 패스로 실현했다는 점이다. 이러한 접근은 실제 임상 OCT 데이터에 대한 확장 가능성을 열어주며, 정량적 조직 특성화와 레이블‑프리 층 시각화라는 두 마리 토끼를 동시에 잡을 수 있는 기반을 제공한다.