제로샷 저장량 MRI 향상을 위한 확산 기반 적응 대비 전송

초록

본 논문은 저자장(MF < 1 T) MRI의 저신호·대조 왜곡을 고자장(HF) 수준으로 복원하는 제로샷 프레임워크 DACT를 제안한다. 사전 학습된 고장 확산 모델을 해부학적 사전으로 활용하고, Sinkhorn 최적수송을 이용한 미분가능한 대비 전송 모듈로 LF와 HF의 강도 분포 차이를 동적으로 보정한다. 실험 결과, 합성·실제 저장량 데이터 모두에서 구조적 세부와 조직 대비를 크게 개선하며, 기존 감독·비감독·확산 기반 방법들을 능가한다.

상세 분석

DACT는 저장량 MRI(LF)와 고장 MRI(HF) 사이의 비선형 대비 변환을 “알 수 없는” 전방 연산자로 모델링한다는 점에서 기존 연구와 차별화된다. 저자들은 HF→LF 변환 Φ를 직접 추정하기보다, LF와 HF 이미지의 강도 히스토그램을 최적수송(Optimal Transport, OT) 문제로 전환한다. 여기서 Sinkhorn 알고리즘을 사용해 미분가능한 소프트 히스토그램을 생성하고, 비용 행렬을 제곱 유클리드 거리로 설정해 단조성(monotonicity)을 보장한다. 이렇게 얻어진 수송 계획은 1‑차원 LUT(Look‑Up Table)로 압축되어, 입력 이미지에 선형 보간을 통해 적용된다.

단순히 전역 LUT만 적용하면 고주파 세부가 과도하게 평활화될 위험이 있다. 이를 해결하기 위해 DACT는 픽셀‑와이즈 가중치 맵 α를 학습한다. 최종 대비 변환은 ˆΦ(x;α)=α⊙LUT(x)+(1−α)⊙x 형태이며, α가 1에 가까울수록 강도 매핑을 강하게 적용하고, 0에 가까울수록 원본 구조를 보존한다. α는 역전파를 통해 데이터 적합도와 사전 일관성을 동시에 만족하도록 최적화된다.

DACT의 핵심은 사전 확산 모델(Dθ)과의 결합이다. 저자는 DDIM 샘플링을 기반으로 한 반전 확산 프레임워크에 Plug‑and‑Play(프레임워크) 방식을 적용한다. 구체적으로, 매 타임스텝 t에서 확산 모델이 생성한 초기 추정 ˆx₀를 z에 할당하고, 내부 루프(J = 25)에서 Sinkhorn‑LUT와 α를 업데이트한다. 손실 함수는 (i) 측정 y와 H·ˆΦ(z;α) 사이의 L2 데이터 적합도와 (ii) z와 ˆx₀ 사이의 정규화 항 λₜ·‖z−ˆx₀‖²₂ 로 구성된다. 이중 최적화는 데이터 적합도와 사전 일관성을 균형 있게 유지한다.

실험에서는 HCP 데이터셋을 이용해 0.2 T 가상의 LF 데이터를 합성하고, 실제 0.2 T 스캐너로 촬영한 임상 T2w 데이터를 사용했다. 평가 지표는 합성 데이터에 대해 PSNR, SSIM, LPIPS, 실데이터에 대해 NIQE, BRISQUE, FID 및 조직 분할 Dice를 포함한다. DACT는 모든 지표에서 기존 감독‑비감독‑확산 기반 방법들을 크게 앞섰으며, 특히 대비 복원과 고주파 세부 보존에서 눈에 띄는 개선을 보였다. 수렴 분석에서도 DACT는 전역 LUT만을 사용하는 베이스라인보다 검증 오류가 낮고, 실제 대비 변환을 안정적으로 학습한다는 점이 확인되었다.

한계점으로는 (1) Sinkhorn‑OT가 1‑차원 강도 매핑에 국한돼 복합적인 공간‑대비 상호작용을 완전히 포착하지 못한다는 점, (2) 최적화 단계가 이미지당 수십 초의 추가 연산 비용을 요구한다는 점이 있다. 향후 연구에서는 다중 스케일 OT, 혹은 물리 기반 T1/T2 매핑을 결합한 하이브리드 모델을 도입해 연산 효율성을 높이고, 다양한 조직·병변에 대한 일반화 성능을 검증할 필요가 있다.