3D 의료 영상 품질을 높이는 2D 확산 모델의 슬라이스 일관성 잡기

초록

본 논문은 2D 확산 모델을 3D 의료 영상 복원에 적용할 때 발생하는 슬라이스 간 불연속성을, 샘플링 단계에서 노이즈를 슬라이스 간에 부드럽게 연관시키는 “Inter‑Slice Consistent Stochasticity (ISCS)” 기법으로 해결한다. ISCS는 기존의 독립적인 가우시안 노이즈를 구면선형 보간(Slerp)으로 변환해 각 슬라이스에 연속적인 잡음을 주입함으로써, 추가 손실이나 학습 없이 3D 일관성을 확보한다. CT와 MRI 초해상도 실험에서 기존 방법보다 PSNR/SSIM이 향상되었으며, 계산 비용과 하이퍼파라미터도 거의 증가하지 않는다.

상세 분석

이 논문은 2D 확산 모델(DM)을 3D 의료 영상 복원에 활용할 때 가장 근본적인 문제인 “슬라이스 간 불연속성”을 정확히 짚어낸다. 기존 2D‑to‑3D 파이프라인은 각 슬라이스를 독립적으로 역확산 과정을 수행한다. 확산 샘플링은 매 타임스텝마다 무작위 가우시안 노이즈(ε)를 주입하는데, 이 노이즈가 슬라이스마다 완전히 독립적이면 인접 슬라이스의 샘플링 경로가 서로 무관하게 된다. 의료 영상은 측정 데이터가 매우 제한적(예: sparse‑view CT, undersampled MRI)하여 데이터 일관성 항이 약하고, 모델이 채우는 자유도가 크다. 따라서 독립적인 노이즈는 각 슬라이스를 서로 다른 “가상 구조”로 끌어당겨, 최종 3D 볼륨에 눈에 띄는 끊김과 인공적인 경계가 생긴다.

논문은 이 현상을 비디오 복원 분야에서 제시된 “Batch‑Consistent Sampling (BCS)”와 비교한다. BCS는 모든 프레임에 동일한 노이즈를 사용해 시간적 일관성을 확보하지만, 의료 영상은 수백수천 슬라이스에 걸쳐 해부학적 변이가 크기 때문에 완전 동일 노이즈는 과도한 제약이 된다. 이를 해결하기 위해 저자들은 “구면선형 보간(Slerp)”을 이용해 슬라이스 간 노이즈를 부드럽게 연결한다. 구체적으로, 각 타임스텝 t에서 임의의 두 기준 노이즈 ε₀, ε₁을 샘플링하고, 슬라이스 인덱스 s에 대해
ε_ISCS(s) = Slerp(ε₀, ε₁, λ_s)
여기서 λ_s는 01 사이의 선형 파라미터(예: s/(S‑1))이다. 이렇게 하면 각 슬라이스의 노이즈는 여전히 표준 정규분포를 따르면서도 인접 슬라이스와 고도로 상관된 형태가 된다. 결과적으로 역확산 과정에서 슬라이스 간 샘플링 궤적이 자연스럽게 맞물려, 3D 구조적 연속성이 크게 개선된다.

핵심 장점은 다음과 같다. 첫째, ISCS는 플러그‑인 방식으로 기존 2D DM 기반 재구성 파이프라인에 단 한 줄의 코드만 추가하면 된다. 둘째, 추가적인 손실 함수나 파라미터 튜닝이 필요 없으며, 연산량도 기존 재노이징 단계와 동일하게 유지된다(노이즈 생성 자체는 매우 가벼움). 셋째, 실험 결과는 제한된 뷰 CT와 MRI 초해상도 두 도메인에서 PSNR·SSIM이 평균 0.51.2 dB, 12% 정도 향상됨을 보여준다. 특히, 기존 TV 정규화 기반 후처리와 달리 세부 구조(예: 작은 병변, 혈관)의 손실이 거의 없으며, 시각적으로도 “끊김 없는” 볼륨을 얻는다.

한계점도 명시한다. ISCS는 노이즈의 공간적 연속성만을 보장하므로, 매우 급격한 해부학적 변이가 있는 부위(예: 급격한 장기 경계)에서는 여전히 약간의 불연속이 남을 수 있다. 또한, 현재는 선형 λ_s를 사용했지만, 복잡한 해부학적 가중치를 반영한 비선형 스케줄링이 향후 연구 과제로 남는다. 마지막으로, 본 방법은 2D DM이 충분히 강력할 때 효과가 크며, 2D 모델 자체가 약하면 ISCS만으로는 근본적인 품질 향상을 기대하기 어렵다.

전반적으로, ISCS는 확산 모델의 본질적 무작위성을 제어함으로써 3D 의료 영상 복원에서 가장 큰 병목인 슬라이스 일관성을 해결하는 간결하고 실용적인 아이디어이며, 향후 2D‑to‑3D 전이 연구에 널리 적용될 가능성이 높다.