비대칭 자기지도 맘바 기반 금속 아티팩트 저감 네트워크

초록

본 논문은 금속 삽입물에 의해 발생하는 CT 영상의 선형 스팅 아티팩트를 상태공간 모델(State‑Space Model, SSM) 기반 맘바(Mamba) 구조로 직접 추적·제거하고, 저주파 영역의 빔 하드닝에 의한 강도 불균형을 주파수 도메인 보정으로 보완한다. 비대칭 이중‑브랜치 설계와 자기지도 대비 정규화(SGCR)를 반복적 정제 루프에 결합해 다양한 임상 환경에서 일반화 성능을 높였다. 공개된 치과 CBCT 데이터셋 실험에서 기존 CNN·Transformer 기반 MAR 방법보다 PSNR/SSIM이 크게 향상되었으며, 추론 속도도 경쟁력을 유지한다.

상세 분석

AS‑Mamba는 금속 아티팩트의 물리적 특성을 네트워크 설계에 명시적으로 반영한다는 점에서 차별화된다. 먼저 저자들은 금속에 의해 발생하는 고주파 스팅이 직선 경로를 따라 전파된다는 사실을 관찰하고, 이를 순차적 시퀀스 모델링에 강점이 있는 State‑Space Model, 특히 최근 효율성이 입증된 Mamba 아키텍처와 매핑한다. Mamba는 입력 토큰을 시간축으로 스캔하면서 선택적 상태 전이를 수행하므로, 선형적인 스팅 경로를 “읽어내”고 해당 정보를 억제할 수 있다. 기존 CNN은 지역적 수용 영역에 제한돼 장거리 상관관계를 포착하기 어려우며, Transformer는 패치 기반 연산으로 선형 구조를 파편화하고 계산량이 제곱적으로 증가한다. 반면 Mamba는 O(N) 복잡도로 긴 시퀀스를 처리하면서도 데이터‑의존적 게이트를 통해 중요한 스팅 정보를 강조하고 불필요한 부분을 잊게 만든다.

고주파 처리와 별도로 저주파 영역에서는 빔 하드닝으로 인한 전역적인 강도 감소와 색조 왜곡이 발생한다. 이를 해결하기 위해 저자들은 Dual Enhancement Network(DEN)를 도입해 2‑D 실수 FFT를 수행하고, 손상된 진폭 스펙트럼을 학습 기반으로 보정한다. 진폭 보정은 전역적인 밝기 균일성을 회복시키며, 역 FFT를 통해 공간 도메인에 다시 투사한다. 이렇게 주파수‑도메인 보정을 별도 브랜치에서 수행함으로써 고주파와 저주파가 서로 간섭하지 않도록 “비대칭” 구조를 구현한다.

또한 임상 데이터는 금속 종류·위치·환자 해부학적 변이 등에 따라 아티팩트 분포가 크게 달라진다. 이를 완화하기 위해 Self‑Guided Contrastive Regularization(SGCR)을 설계했다. SGCR은 동일 환자·다른 금속 조건에서 얻은 쌍을 이용해, 복원된 이미지와 원본(또는 시뮬레이션) 이미지 사이의 특징 공간 거리를 최소화하면서, 서로 다른 조건 간의 차이는 최대화한다. 즉, 구조적 일관성은 유지하고 아티팩트 특성만을 효과적으로 정규화한다. 이 정규화는 반복적인 Refinement 모듈에 삽입돼, 매 단계마다 특징이 정제되고 일반화 능력이 점진적으로 향상된다.

실험에서는 공개된 DeepLesion·Dental CBCT 데이터셋을 사용해 PSNR, SSIM, RMSE 등 정량적 지표와 시각적 평가를 수행했다. AS‑Mamba는 기존 MDS‑MAR, CNN‑UNet, Vision‑Transformer 기반 모델 대비 평균 1.2 dB 이상의 PSNR 상승과 0.03 이상의 SSIM 개선을 기록했으며, 추론 시간은 30 ms 수준으로 실시간 임상 적용이 가능함을 보였다. 특히 고주파 스팅이 뚜렷한 경우와 저주파 강도 불균형이 심한 경우 모두에서 균형 잡힌 성능을 보이며, 물리적 prior와 데이터‑driven 학습을 효과적으로 결합한 사례로 평가된다.

요약하면, AS‑Mamba는 (1) 물리적 선형 스팅 특성을 SSM‑Mamba로 직접 모델링, (2) 주파수‑도메인 진폭 보정으로 저주파 왜곡 해소, (3) 자기지도 대비 정규화로 데이터 분포 변동성 완화, (4) 효율적인 O(N) 연산으로 임상 실시간 적용 가능성을 동시에 달성한 금속 아티팩트 저감 프레임워크이다.