짧은 시간 뮤온 산란 단층촬영을 위한 U‑Net 기반 이미지 향상

초록

본 논문은 제한된 뮤온 플럭스로 인해 저통계량으로 얻어지는 PoCA 이미지의 품질을 개선하기 위해, 시뮬레이션 데이터로 학습한 U‑Net 모델을 제안한다. 실험 데이터에 적용한 결과 SSIM이 0.7232에서 0.9699로, LPIPS가 0.3604에서 0.0270으로 크게 향상되었다.

상세 분석

이 연구는 뮤온 산란 단층촬영(MST)에서 가장 큰 병목인 낮은 이벤트 수와 잡음으로 인한 이미지 품질 저하 문제를 딥러닝 기반 이미지 복원 기법으로 해결하고자 한다. 핵심 아이디어는 고품질 시뮬레이션 PoCA 이미지를 “라벨”로 사용하고, 다양한 이벤트 레벨과 검출기 해상도를 포함한 대규모 시뮬레이션 데이터셋을 구축한 뒤, U‑Net 구조에 L1 손실과 이미지 품질 평가(IQA) 손실을 가중합한 복합 손실 함수를 적용해 학습한다. 특히, 실제 실험 데이터와 시뮬레이션 사이의 도메인 격차를 줄이기 위해 “Stamping”이라 명명한 교차 도메인 패치 삽입 기법을 도입하였다. 이는 실험 이미지에서 추출한 5×5 픽셀 패치를 무작위로 500개씩 시뮬레이션 이미지에 삽입함으로써, 실험 특유의 전자·배경 잡음 패턴을 혼합한 하이브리드 데이터셋을 생성한다. 이 과정은 잡음의 위치와 형태에 대한 과적합을 방지하고, 모델이 잡음의 통계적 특성을 학습하도록 유도한다.

U‑Net 자체는 인코더‑디코더 구조에 스킵 연결을 활용해 저수준 공간 정보를 고수준 의미와 결합한다. 본 논문에서는 각 컨볼루션 뒤에 배치 정규화와 ReLU 활성화를 추가하고, 패딩을 일관되게 적용해 입력·출력 크기를 동일하게 유지하였다. 최종 출력은 1×1 컨볼루션을 통해 단일 채널 이미지로 변환된다. 학습은 Adam 옵티마이저(learning rate 1e‑4)와 배치 사이즈 4로 300 epoch 동안 진행되었으며, 하드웨어는 i9‑14900K CPU와 RTX 3050 GPU(6 GB VRAM)이다.

실험에서는 24시간 동안 18,417개의 유효 뮤온 이벤트를 수집한 실제 데이터와, 600,000 이벤트를 시뮬레이션한 데이터를 사용하였다. 실험 데이터는 10,000 이벤트씩 11개의 그룹으로 나누어 각각 PoCA 이미지를 재구성했으며, 시뮬레이션 데이터는 0.1 mm~1.0 mm의 위치 잡음을 10단계로 변형해 이벤트 레벨·해상도 조합을 확대하였다. 고품질 시뮬레이션 이미지(노이즈 없는 600,000 이벤트)와 저통계량 이미지(노이즈 포함) 사이의 차이를 학습함으로써, 모델은 저통계량 이미지의 구조를 보존하면서 잡음을 효과적으로 억제한다.

정량적 평가는 SSIM, PSNR, LPIPS, MSE 네 가지 지표를 사용했으며, 실험 이미지에 대한 향상 전후 결과는 SSIM 0.723→0.970, LPIPS 0.360→0.027 등 현저한 개선을 보였다. 시각적으로도 내부 빈 공간과 고Z 물질 영역이 명확히 드러나, 기존 PoCA 방식이 갖는 흐릿함과 잡음이 크게 감소하였다.

본 연구의 의의는 두 가지이다. 첫째, 시뮬레이션 기반 대규모 학습 데이터와 도메인 적응을 위한 “Stamping” 기법을 결합함으로써, 실제 뮤온 탐지 시스템의 제한된 데이터 환경에서도 딥러닝 모델을 효과적으로 적용할 수 있음을 증명했다. 둘째, 짧은 측정 시간(수시간 수준)에도 충분히 품질 높은 단층 영상을 얻을 수 있게 함으로써, 국경 보안, 구조물 감시, 핵물질 탐지 등 실용적 응용 분야에서 MST의 상용화를 가속화할 수 있는 기반을 마련했다. 향후 연구에서는 더 복잡한 3D 재구성, 다양한 물질 종류에 대한 일반화, 그리고 실시간 처리 파이프라인 구축을 목표로 확장할 수 있다.