초희소 뷰 CBCT 재구성을 위한 연속성 기반 시너지 확산과 신경 사전

초록

본 논문은 초희소 각도 샘플링으로 인한 방사선량 감소와 이미지 품질 저하 사이의 딜레마를 해결하고자, 연속적인 3차원 감쇠 필드를 학습하는 신경 사전과 두 개의 협업 확산 경로(시노그램·DR)를 결합한 CSDN 프레임워크를 제안한다. 신경 사전으로 밀도 높은 투영을 생성하고, 시노그램 확산으로 각도 연속성을, 디지털 방사선 확산으로 축간 일관성을 복원한 뒤, DPRF 모듈로 적응적으로 융합하여 초희소‑뷰 CBCT에서 뛰어난 잡음 억제와 세부 텍스처 복원을 달성한다.

상세 분석

CSDN은 초희소‑뷰 CBCT 재구성 문제를 “연속성 모델링”이라는 새로운 관점에서 접근한다는 점에서 큰 의의를 가진다. 기존 연구들은 시노그램 도메인, 이미지 도메인 혹은 두 도메인을 별도로 다루며, 각 접근법이 갖는 물리적·수학적 제약을 완전히 해소하지 못했다. 특히 각도 연속성(라돈 변환의 스무스함)과 축간 연속성(콘빔 기하학에 의한 구조 일관성)이라는 두 가지 필수적인 연속성을 동시에 만족시키는 방법은 아직 부족했다.

CSDN은 먼저 신경 사전(Neural Prior) 을 도입한다. 이는 좌표‑기반 MLP 혹은 하이브리드 구조를 통해 연속적인 3D 감쇠 필드를 파라미터화하고, 초희소 투영 데이터에 대한 물리적 제약(Beer‑Lambert 법칙)을 손실 함수에 포함시켜 학습한다. 이렇게 얻어진 연속 사전은 초희소 측정으로부터 밀도 높은 가상 투영(dense projections) 을 합성하는 역할을 수행한다. 이는 기존의 최적화 기반 INR이 갖는 초기화 문제와 표현 효율성 한계를 보완한다.

그 다음, 시노그램 정제 확산(Sino‑RD) 과 디지털 방사선 정제 확산(DR‑RD) 라는 두 개의 협업 확산 경로가 도입된다. Sino‑RD는 시노그램 공간에서 조건부 확산 모델을 사용해 누락된 각도 정보를 복원한다. 여기서 확산 과정은 Gaussian 노이즈를 단계적으로 제거하면서, 사전 학습된 신경 사전이 제공하는 물리적 일관성을 조건으로 활용한다. 반면 DR‑RD는 실제 디지털 방사선(DR) 이미지(투영 이미지) 영역에서 확산을 수행해, 각 투영 이미지 간의 축간 연속성을 강화한다. 두 경로는 서로 보완적인 정보를 제공하며, 각각의 출력은 Dual‑Projection Reconstruction Fusion(DPRF) 모듈에서 적응적으로 가중합된다. DPRF는 학습된 어텐션 메커니즘 혹은 가변 가중치 매핑을 통해 시노그램과 DR 결과의 신뢰도를 평가하고, 최종 3D 부피를 재구성한다.

기술적 강점으로는 (1) 연속성 기반 사전을 통해 물리적으로 일관된 초기화 제공, (2) 양방향 확산으로 각도와 축간 연속성을 동시에 강화, (3) 적응형 융합으로 두 도메인의 장점을 최적 결합한다는 점을 들 수 있다. 실험에서는 ultra‑sparse(예: 8~12 view) 조건에서도 PSNR/SSIM이 기존 최첨단 방법보다 현저히 높으며, 시각적으로도 스트릭 아티팩트와 구조 왜곡이 크게 감소한다는 결과를 보인다.

하지만 몇 가지 한계도 존재한다. 첫째, 신경 사전 학습에 필요한 초기 데이터 양과 연산 비용이 비교적 높아 실시간 임상 적용에 추가 최적화가 필요하다. 둘째, 확산 모델의 단계 수와 노이즈 스케줄링이 재구성 품질에 민감하게 작용하므로, 다양한 스캐너 및 프로토콜에 대한 일반화 검증이 요구된다. 셋째, 현재 구현은 주로 원형 궤도와 정형화된 기하학에 초점을 맞추고 있어, 비정형 궤도나 비표준 검출기 배열에 대한 확장 가능성은 추가 연구가 필요하다.

전반적으로 CSDN은 초희소‑뷰 CBCT 재구성 분야에서 연속성 모델링과 확산 기반 정제의 결합이라는 새로운 패러다임을 제시하며, 임상 방사선량 감소와 고품질 3D 영상 확보 사이의 균형을 맞추는 데 실질적인 진전을 제공한다.