딥 CT 재구성을 위한 신뢰구간 프레임워크

초록

본 논문은 Beer‑Lambert 법칙과 포아송 잡음을 고려한 실제 CT 전방 모델에 순차적 가능도 혼합(sequential likelihood mixing) 기법을 적용해, 딥러닝 기반 재구성 방법에 대해 이론적 커버리지 보장을 갖는 신뢰구간(confidence region)을 제시한다. U‑Net, 앙상블, 확산 모델 등 최신 딥 모델이 전통적 방법보다 훨씬 좁은 신뢰구간을 제공함을 실험적으로 입증하고, 이를 통해 재구성 결과의 환각(hallucination) 탐지와 시각적 불확실성 지도 생성을 가능하게 한다.

상세 분석

이 논문은 CT 재구성 문제를 확률적 추정으로 바라보고, 관측 데이터의 순차적 수집 과정에서 마팅게일 성질을 이용해 언제든지 유효한 ‘신뢰 시퀀스(confidence sequence)’를 구축한다는 점에서 기존의 고정표본 기반 불확실성 추정과 근본적으로 차별화된다. 핵심은 부정적 로그가능도 (L_t(x) = -\sum_{s=1}^t \log p_x(y_s\mid\alpha_s,I_0)) 에 대한 레벨 집합을 정의하고, 이 레벨을 조절하는 임계값 (\beta_t) 를 ‘예측 모델이 이전 단계까지 관측된 데이터를 얼마나 잘 설명하는가’에 기반해 동적으로 설정한다는 것이다. 구체적으로, (\beta_t = -\sum_{s=1}^t \log p_{\hat x_{s-1}}(y_s\mid\alpha_s,I_0)) 로 두면, (\hat x_{s-1}) 은 시점 (s-1) 까지 이용 가능한 모든 정보(예: 딥 네트워크의 파라미터와 이전 투영)로 만든 재구성 결과이다. 이렇게 하면 (\beta_t) 가 작을수록(즉, 모델이 데이터를 잘 예측할수록) 신뢰구간이 좁아져 보다 정밀한 불확실성 추정이 가능해진다.

이론적으로는 ({L_t(x)-\beta_t}_{t\ge1}) 가 마팅게일임을 이용해 Ville’s inequality 를 적용함으로써, 임의의 정지 시점 (t) 에 대해 (\Pr\bigl(x^\ast\in C_t\bigr)\ge1-\delta) (여기서 (C_t={x:L_t(x)\le\beta_t+\log(1/\delta)})) 를 보장한다. 따라서 ‘anytime‑valid’ 라는 강력한 커버리지 특성을 갖는다.

실제 구현에서는 (\hat x_s) 을 다양한 딥러닝 재구성기로 대체한다. U‑Net은 단일 이미지‑투‑이미지 매핑으로 빠른 추정을 제공하고, 앙상블은 모델 간 변동성을 포착해 (\beta_t) 를 평균화함으로써 보수적인 신뢰구간을 만든다. 확산 모델은 확률적 샘플링을 통해 (\mu_s) (혼합 분포)를 정의하고, 제안된 프레임워크에 그대로 삽입할 수 있다. 실험 결과, 전통적 FBP나 최대우도(MLE) 기반 재구성에 비해 딥 모델은 평균적으로 30‑50 % 정도 더 작은 부피의 신뢰구간을 제공하면서도 (\delta=0.05) 수준의 커버리지를 유지한다.

또한, 신뢰구간 밖에 위치한 픽셀은 관측 데이터와 모델 예측 사이의 불일치를 의미하므로, 이를 ‘환각 탐지’에 활용한다. 논문에서는 부정적 로그가능도 증가가 급격히 일어나는 시점에 해당 영역을 마스킹하고, 시각적으로는 ‘불확실성 지도’를 생성해 임상의가 위험 영역을 직관적으로 파악하도록 돕는다. 이러한 지도는 픽셀‑단위 확률이 아닌, 전체 이미지 공간에서의 레벨 집합 형태이므로, 전통적인 히트맵보다 해석이 명확하다.

마지막으로, 신뢰구간의 수축 속도를 이용해 ‘조기 종료(early stopping)’ 정책을 설계한다. 특정 타임스텝 (t^*) 에서 (\beta_{t^*}) 가 사전에 정의한 허용 오차 이하로 수렴하면, 추가 투영을 중단하고 현재 재구성을 최종 결과로 채택한다. 이는 방사선량을 절감하고 스캔 시간을 단축하는 실질적인 이점을 제공한다.

요약하면, 본 연구는 물리‑통계 모델과 최신 딥러닝 재구성을 결합한 순차적 가능도 혼합 프레임워크를 제안함으로써, CT 재구성에 대한 이론적 보장을 갖는 실용적인 불확실성 추정 방법을 최초로 구현하였다.