ROI 기반 X선 CT 데이터 압축 및 재구성 최적화

초록

본 논문은 대용량 X‑ray Computed Tomography(CT) 데이터의 저장·전송·처리 부담을 완화하기 위해 ROI‑Driven Extraction Framework인 ROIX‑Comp을 제안한다. 오류 제한 양자화와 객체 추출을 결합한 전·후처리 파이프라인을 통해 손실·무손실 압축기를 혼합 적용함으로써 평균 12.34배의 압축 비율 향상을 달성하였다.

상세 분석

ROIX‑Comp은 크게 두 단계로 구성된다. 첫 번째는 전처리 단계에서 오류‑한계(error‑bounded) 양자화를 적용해 원본 부피 데이터를 저해상도 형태로 변환한다. 여기서 사용된 양자화는 PSNR 혹은 MAE와 같은 품질 지표를 사전에 정의된 임계값 이하로 유지하도록 설계돼, 압축 전 데이터 손실을 정량적으로 제어한다. 두 번째 단계는 ROI‑Driven 객체 추출이다. 저해상도 데이터에서 관심 영역(Region‑of‑Interest, ROI)을 자동 탐지하기 위해 3‑D 연속성 및 경계 강도를 활용한 히스토그램 기반 클러스터링을 적용한다. 탐지된 ROI와 배경 영역을 별도로 분리함으로써, ROI는 고정밀 손실‑압축(los​sy) 알고리즘(예: ZFP, SZ)으로, 배경은 무손실 압축기(예: LZ4, ZSTD)로 각각 압축한다. 이중 압축 전략은 ROI에 대한 재구성 정확도를 보존하면서 전체 데이터 크기를 크게 감소시키는 장점을 제공한다. 실험에서는 7개의 실제 Synchrotron X‑CT 데이터셋(해상도 2048³~4096³)을 대상으로 기존 단일 압축 파이프라인(LZ4, ZSTD, ZFP 등)과 비교했으며, 평균 압축 비율이 12.34배 향상되었고, 재구성 후 이미지 품질은 SSIM ≥ 0.98, PSNR ≥ 45 dB를 유지했다. 또한 양자화 단계에서 설정한 오류 한계가 0.5% 이하일 때 전체 파이프라인의 실행 시간이 기존 대비 30% 가량 단축되는 효과도 확인되었다. 한계점으로는 ROI 탐지 알고리즘이 복잡한 구조물(예: 다공성 매트릭스)에서 경계 오인식 가능성이 존재하며, 양자화 파라미터 튜닝이 데이터 특성에 따라 민감하게 작용한다는 점이다. 향후 연구에서는 딥러닝 기반 ROI 예측 모델을 도입해 탐지 정확도를 높이고, 적응형 양자화 스킴을 통해 다양한 실험 환경에 자동 최적화를 구현하고자 한다.