희소 뷰 CT 재구성을 위한 확산 기반 생성 사전 접근법

초록

본 논문은 희소·제한 각도 CT에서 발생하는 데이터 부족 문제를 해결하기 위해, 사전 학습된 확산 모델(DDIM)을 생성 사전으로 활용하고, 물리‑기반 초기화와 코사인 학습률 스케줄을 결합한 정규화된 잠재 최적화 프레임워크(RD‑DGP)를 제안한다. 실험 결과, 제안 방법은 기존 DGP·DMPlug 대비 잡음 억제와 구조 보존 측면에서 우수한 재구성 품질을 보이며, 공개된 흉부 CT 데이터셋을 기반으로 한 모델과 코드도 제공한다.

상세 분석

이 연구는 희소 뷰 CT 재구성이라는 고난이도 역문제에 대해 ‘Deep Generative Prior(DGP)’ 개념을 확산 모델에 접목시킨 점이 가장 큰 혁신이다. 기존 DGP는 VAE·GAN 등 비교적 표현력이 제한된 생성기를 사용했으나, 본 논문은 DDIM이라는 결정적 확산 모델을 선택함으로써 데이터 분포를 더 정밀히 캡처한다. 핵심 아이디어는 두 단계 최적화이다. 첫 번째는 물리‑기반 초기화로, FBP(Filtered Back‑Projection) 결과를 DDIM 역전파(inversion) 과정을 통해 잠재 공간(z)으로 매핑한다. 이는 무작위 초기화 시 발생할 수 있는 지역 최소점 함정을 크게 완화한다. 두 번째는 잠재 변수 z에 대한 정규화된 손실 함수 F(z)=½‖K·G(z)−y‖²+λ₁‖z‖²+λ₂TV(G(z))를 Adam 옵티마이저로 최소화하는 과정이며, 여기서 λ₁은 MAP 관점의 라플라시안 사전, λ₂는 이미지 도메인에서의 TV 정규화이다. 학습률은 코사인 앤일링(cosine annealing) 스케줄(νₖ=ν_min+½(ν_max−ν_min)(1+cos(πk/K_max)))을 적용해 초기 탐색 단계에서는 큰 스텝을, 후반부에서는 미세 조정을 가능하게 한다. 이러한 설계는 비선형·비볼록 손실 지형에서의 수렴 안정성을 크게 향상시킨다.

방법론적 측면에서, 논문은 DDIM의 전방·역방정식을 명확히 제시하고, 역전파 과정에서의 잡음 추정 ε̂을 이용해 잠재 코드를 복원하는 절차를 상세히 기술한다. 또한, 라플라시안 사전과 TV 정규화를 동시에 적용함으로써 잠재 공간의 통계적 일관성과 이미지 도메인의 구조적 일관성을 동시에 만족시킨다. 실험에서는 Mayo 데이터셋을 증강해 흉부 CT 2D 슬라이스를 학습시켰으며, 16·32·64 view 등 다양한 희소도 조건에서 FBP, TV‑FBP, 기존 DGP, DMPlug과 비교하였다. 정량 지표(PSNR, SSIM)와 정성적 시각 평가 모두에서 제안 RD‑DGP가 특히 16 view와 같은 극단적 희소 상황에서 잡음과 아티팩트를 현저히 감소시키고, 해부학적 경계를 선명히 복원한다는 결과를 보였다.

한계점으로는 2D 실험에 국한되었으며, 3D 볼륨 재구성 시 메모리·시간 복잡도가 급증할 가능성이 있다. 또한, 확산 모델 자체가 대규모 의료 데이터에 대해 충분히 일반화되었는지에 대한 검증이 부족하다. 향후 연구에서는 멀티스케일 확산, 조건부 확산(conditional diffusion) 및 하드웨어 가속을 통한 3D 확장, 그리고 다양한 임상 데이터셋에 대한 교차 검증이 필요하다.

전반적으로, 물리‑기반 초기화와 동적 학습률 스케줄을 결합한 정규화된 잠재 최적화는 확산 기반 DGP의 실용성을 크게 높였으며, 공개된 모델·코드는 재현 가능성과 연구 공동체의 확산 모델 활용을 촉진한다는 점에서 학술적·실용적 가치가 높다.