프리로그 보로노이 분해 기반 저선량 CT 재구성 프레임워크 PLOT‑CT

초록

PLOT‑CT는 저선량 CT에서 원시(프리로그) 사인그램을 보로노이 분해로 여러 영역으로 나눈 뒤, 각 영역을 별도 잠재공간에 매핑하고, 확산 모델과 트랜스포머를 결합해 노이즈를 억제하고 구조 정보를 보존한다. 실험 결과 1e4 입자 수준에서 기존 방법 대비 PSNR이 2.36 dB 향상되었다.

상세 분석

본 논문은 저선량 CT(LDCT) 재구성의 핵심 난제인 ‘프리로그 영역에서의 비정상적인 동적 범위와 비균일한 그래디언트 분포’를 보로노이 기반 클러스터링으로 해결한다는 점에서 혁신적이다. 프리로그 사인그램은 포아송 잡음이 그대로 남아 있어 원시적인 통계 정보를 가장 풍부하게 제공하지만, 배경 고광도 영역과 물체 저광도 영역 사이의 값 차이가 수십 배에 달한다. 이로 인해 신경망 학습 시 손실 함수가 고값 배경에 편향되고, 미세 구조는 학습되지 못한다. 저자들은 K‑means를 보로노이 공간에 적용해 사인그램을 ‘고강도·저강도·배경’ 세 구역으로 분할하고, 각 구역마다 별도의 잠재 벡터를 생성한다. 이렇게 하면 (1) 각 구역 내 강도 스케일이 정규화돼 그래디언트가 균일해지고, (2) 손실이 특정 구역에 과도하게 집중되는 현상이 완화된다.

잠재공간에 대한 처리는 두 단계로 이루어진다. 첫 번째는 확산 모델(diffusion transformer)로, 각 구역의 잠재 벡터에 노이즈를 점진적으로 주입·제거하면서 전역적인 일관성을 유지한다. 두 번째는 트랜스포머 블록으로, 서로 다른 구역 간의 상호작용을 학습해 전역적인 구조 정보를 재구성한다. 이 설계는 전통적인 이미지‑도메인 혹은 포스트‑로그 도메인 접근법이 겪는 ‘노이즈 증폭’ 문제를 근본적으로 차단한다.

수학적 분석에서는 프리로그와 포스트‑로그 사이의 변환식 I = I₀·exp(−P)와 그 미분을 이용해, 작은 프리로그 오차 δI가 로그 변환 후 p = −log(I/I₀)에서 pδ ≈ δI·e^{P} 로 증폭됨을 증명한다. 따라서 프리로그 단계에서의 오차를 최소화하는 것이 전체 파이프라인의 품질을 좌우한다는 논리적 근거를 제시한다.

실험에서는 시뮬레이션 및 실제 임상 데이터에 대해 1e4, 5e3, 1e3 입자 수준을 테스트했으며, PSNR·SSIM·RMSE 모두 기존 이미지‑도메인 CNN, 포스트‑로그 UNet, 최신 확산 기반 모델을 능가했다. 특히 고대비 영역(뼈와 연부조직 경계)에서 시각적으로 눈에 띄는 잡음 감소와 구조 보존이 확인되었다.

한계점으로는 보로노이 클러스터 수를 사전에 고정해야 하는 점과, 확산‑트랜스포머 파이프라인이 계산 비용이 높아 실시간 임상 적용에 추가 최적화가 필요하다는 점을 언급한다. 향후 연구에서는 적응형 클러스터링 및 경량화된 확산 모델을 탐색할 여지가 있다.