해석 가능한 제로샷 저용량 CT 이미지 노이즈 제거 프레임워크 Filter2Noise

초록

**
Filter2Noise(F2N)는 단일 저용량 CT 영상을 입력으로, 주의‑가이드 양방향 필터와 경량 주의 모듈을 결합해 공간별 필터 파라미터를 예측한다. 다중 스케일 자체‑감독 손실과 Euclidean Local Shuffle(ELS) 데이터 증강을 통해 상관 잡음에 강인하게 학습하며, 3.6 k 파라미터만으로 Mayo Clinic LDCT 챌린지에서 기존 제로샷 방법보다 최대 3.68 dB PSNR 향상을 달성한다. 또한 파라미터가 시각화 가능해 방사선과가 직접 제어할 수 있는 투명성을 제공한다.

**

상세 분석

**
본 논문은 저용량 CT(LDCT) 영상의 잡음 억제를 위해 ‘해석 가능성’과 ‘제로샷 학습’을 동시에 만족시키는 새로운 프레임워크인 Filter2Noise(F2N)를 제안한다. 핵심 아이디어는 전통적인 양방향 필터(bilateral filter)를 미분 가능하고 콘텐츠‑어웨어하게 만든 Attention‑Guided Bilateral Filter(AGBF)로 재구성하고, 이 필터의 공간적 표준편차(σ_r, σ_x, σ_y)를 입력 영상의 지역적 특성에 따라 동적으로 예측하는 경량 주의(attention) 모듈을 도입한다는 점이다.

1. AGBF 설계

   • 기존 양방향 필터는 전역 고정 파라미터(σ_r, σ_x, σ_y)를 사용해 모든 픽셀에 동일한 평활 정도를 적용한다. 이는 조직별 밀도 차이(연부조직, 골, 공기 등)를 고려하지 못해 에지 보존에 한계가 있다.
   • AGBF는 입력 영상을 P×P(논문에서는 P=8) 패치 단위로 분할하고, 각 패치에 대해 두 개의 독립적인 주의 흐름을 통해 파라미터를 예측한다. ‘Feature Attention’은 패치 간 상관관계를 학습해 조직 유형을 구분하고, ‘Sigma Attention’은 이 정보를 바탕으로 σ_r, σ_x, σ_y를 Softplus 활성화 후 스칼라값으로 출력한다. 이렇게 얻어진 파라미터는 양방향 필터의 가중치 함수에 직접 삽입되어 지역별 맞춤형 평활을 수행한다.

2. 경량성 및 투명성

   • 전체 모델 파라미터는 약 3.6 k개에 불과해 기존 U‑Net 기반 제로샷 방법(수백만 파라미터)보다 2~3 order magnitude 작다. 파라미터는 ‘σ’값이라는 물리적으로 의미 있는 형태로 존재하므로 시각화·수동 조정이 가능하다. 이는 방사선과가 특정 영역(예: 병변 주변)에서 필터 강도를 직접 강화하거나 완화할 수 있게 해, 임상 신뢰성을 크게 높인다.

3. 자체‑감독 학습 전략

   • LDCT 영상은 재구성 단계에서 공간적으로 상관된 잡음이 존재한다. 기존 Noise2Void, Blind‑Spot 등은 이러한 상관성을 깨뜨리지 못해 정체(identity) 학습에 빠지기 쉽다.
   • F2N은 Euclidean Local Shuffle(ELS)라는 새로운 데이터 증강을 도입한다. ELS는 작은 지역(예: 3×3) 내 픽셀을 유클리드 거리 기반으로 무작위 재배열해 잡음 패턴을 파괴하면서도 구조적 경계는 유지한다.
   • 또한 다중 스케일 L1/L2 손실을 적용해 다양한 해상도에서 재구성 오류를 최소화한다. 이 두 요소가 결합돼 단일 이미지만으로도 잡음 통계와 구조 정보를 효과적으로 학습한다.

4. 실험 및 성능

   • Mayo Clinic LDCT Challenge 데이터셋에서 PSNR 기준으로 기존 제로샷 방법(Noise2Self, Self2Self 등)보다 최대 3.68 dB, SSIM에서도 유의미한 개선을 보였다.
   • 파라미터 수와 연산량이 현저히 낮아 실시간 추론(≈30 fps, 512×512)도 가능하며, 경량 모델 특성 덕분에 임베디드 혹은 PACS 서버에 손쉽게 배포할 수 있다.
   • 추가 실험으로 최신 Photon‑Counting CT(PCCT) 데이터에 적용했을 때, 전통적 필터와 비교해 잡음 감소율이 45 % 이상 향상되고, 방사선과가 직접 조정한 σ값을 통해 특정 병변 부위의 디테일을 보존하는 데 성공했다.

5. 임상 적용 가능성 및 한계

   • 투명한 파라미터와 인터랙티브 제어는 규제 승인 과정에서 큰 장점으로 작용할 것으로 기대된다. 다만, 현재는 2D 슬라이스 기반 처리이며 3D 연속성 보장은 별도 후처리 필요하다. 또한 ELS가 지나치게 강하게 적용될 경우 미세 구조가 손상될 위험이 있어, 임상 현장에서는 사용자 정의 스케줄링이 필요하다.

종합적으로, F2N은 “알고리즘 자체가 해석 가능하고, 데이터 의존성을 최소화하며, 실시간 성능을 제공한다”는 세 가지 목표를 동시에 달성한 최초의 LDCT 제로샷 프레임워크라 할 수 있다.

**