플러그인앤플레이 기반 다중 대비 MRI 재구성

초록

본 논문은 이미지 도메인만을 이용해 다중 대비 MRI에서 한 대비를 다른 대비의 재구성을 안내하도록 하는 두 단계 모듈식 방법을 제안한다. 첫 단계에서는 대규모 비쌍 이미지로 콘텐츠/스타일(내용·양식) 분해 모델을 학습하고, 두 번째 단계에서는 학습된 모델을 플러그인‑앤‑플레이 연산자로 활용해 데이터 일관성 단계와 결합한 반복 재구성 알고리즘(PnP‑CoSMo)을 수행한다. 콘텐츠는 레퍼런스 이미지에서 직접 가져와 교체하고, 스타일은 k‑space 중앙에서 추정한다. 실험 결과, fastMRI DICOM 데이터와 자체 수집한 원시 데이터에서 기존 엔드‑투‑엔드 방식보다 일반화가 뛰어나며, 동일 SSIM 기준에서 최대 32.6 % 높은 가속을 달성한다.

상세 분석

이 연구는 다중 대비 MRI 재구성 문제를 “공유 콘텐츠와 개별 스타일”이라는 두 개의 잠재 요인으로 명시적으로 모델링한다는 점에서 혁신적이다. 기존의 엔드‑투‑엔드 방식은 대규모 k‑space와 정렬된 레퍼런스 이미지가 필요해 실제 임상 데이터에 적용하기 어려웠지만, 저자는 이미지 도메인만으로 비쌍 학습이 가능한 MUNIT 기반 콘텐츠/스타일 분해 모델을 도입한다. 먼저, 비쌍 사전 학습 단계에서 두 대비 이미지 집합 X₁, X₂를 각각 콘텐츠 C와 스타일 S₁, S₂로 인코딩한다. 여기서 콘텐츠는 해부학적 구조와 같이 대비에 독립적인 정보를, 스타일은 대비 특유의 신호 강도·위상 변화를 의미한다. 이후 소량의 정렬된 이미지쌍을 이용해 파인‑튜닝을 수행함으로써 스타일 추정의 정확성을 보강한다.

재구성 단계에서는 플러그인‑앤‑플레이(PnP) 프레임워크를 채택한다. ISTA 기반 반복 과정에서 기존의 proximal 연산자를 콘텐츠 일관성 연산자로 교체한다. 구체적으로, 현재 반복 추정 y⁽ᵏ⁾의 콘텐츠 부분을 레퍼런스 이미지에서 추출한 고품질 콘텐츠 c_ref와 교체하고, 스타일 부분은 현재 k‑space 샘플링에 의해 얻은 중앙 k‑space 정보를 이용해 업데이트한다. 이후 데이터 일관성(DC) 단계에서 실제 측정된 k‑space와의 차이를 보정하고, “refine” 블록을 통해 콘텐츠와 스타일 사이의 불일치를 점진적으로 감소시킨다. 이 과정은 비선형 비평탄 최적화 문제를 풀면서도, 콘텐츠와 스타일이 명시적으로 분리되어 있기 때문에 해석 가능성이 크게 향상된다.

수렴성 분석에서는 PnP‑CoSMo가 고정점 이론에 기반한 비강제적 수렴 조건을 만족함을 실험적으로 확인한다. 또한, 스타일이 k‑space 중앙에 집중된다는 물리적 관찰을 이용해, 매우 높은 가속률(>8×)에서도 스타일 추정이 안정적임을 보인다.

실험에서는 공개된 NYU fastMRI DICOM 데이터와 자체 수집한 다채널 원시 데이터를 사용했다. 엔드‑투‑엔드 가이드 재구성 모델(예: UNet 기반 Unrolled)과 비교했을 때, PnP‑CoSMo는 다양한 가속률과 샘플링 패턴에 대해 일관된 SSIM·PSNR 향상을 보였으며, 특히 훈련 데이터와 도메인이 다를 때 일반화 격차가 현저히 줄어들었다. 또한, 실제 임상 평가에서 레퍼런스 대비와 재구성된 이미지 간의 병변 식별 정확도가 향상된 것으로 보고되었다.

이러한 결과는 (1) 이미지 도메인만으로도 강력한 사전 정보를 학습할 수 있음, (2) 플러그인‑앤‑플레이 구조가 재구성 파이프라인에 유연성을 제공함, (3) 콘텐츠/스타일 분해가 물리적 MRI 특성과 잘 맞물려 해석 가능하고 효율적인 가이드가 가능함을 시사한다.