복소 도메인 역문제 기반 4D 흐름 MRI 초해상도 및 노이즈 제거

초록

본 논문은 임상에서 제공되는 4D Flow MRI의 magnitude와 phase 데이터를 이용해 복소값 신호를 재구성하고, 고주파 k‑space 절단을 해상도 손실 모델로 삼아 선형 역문제를 명시적으로 풀어 초해상도와 노이즈 감소를 동시에 달성하는 방법을 제안한다. Tikhonov 정규화를 적용한 단일 파라미터 모델로 3D FFT와 역 FFT만으로 빠르게 해를 구하며, CFD 기반 합성 데이터와 물리적 팬텀 실험에서 기존 보간법 및 4DFlowNet 대비 정량·정성적으로 우수한 결과를 보였다.

상세 분석

이 연구는 4D Flow MRI의 핵심 한계인 저해상도와 낮은 SNR을 물리 기반 역문제 접근법으로 해결한다는 점에서 의미가 크다. 기존 딥러닝 기반 초해상도 기법은 대규모 시뮬레이션 데이터에 의존하고 실제 임상 데이터의 잡음 특성과 아티팩트에 취약한 반면, 제안된 방법은 임상에서 바로 얻을 수 있는 magnitude·phase 영상만으로 복소값 신호 y = A e^{iΦ} 를 재구성한다. 이렇게 복소 도메인에서 모델링하면, 해상도 저하가 k‑space 고주파 성분의 절단이라는 물리적 현상으로 정확히 표현될 수 있다.

수식 (6)에서 저해상도 영상 y는 고해상도 신호 x에 대한 컨볼루션 행렬 H와 다운샘플링 연산자 S의 조합으로 기술된다. 여기서 H는 BCCB 형태의 순환 행렬이므로 푸리에 변환을 통해 대각화가 가능하고, S는 정규 격자 하에서 단순한 서브샘플링이다. 이러한 구조적 특성을 이용해 Tikhonov 정규화 (τ) 를 포함한 최소제곱 문제를 닫힌 형태로 풀면, (8)‑(9) 식과 같이 H와 S의 푸리에 도메인 표현 Λ만을 사용해 역연산을 수행한다. 결과적으로 3D FFT와 역 FFT 한 번씩, 그리고 점곱 연산만으로 고해상도 복소 신호 ˆx를 얻을 수 있어 연산량이 O(N log N) 수준으로 매우 효율적이다.

정규화 파라미터 τ는 데이터 적합도와 사전 정보(보간된 초기 추정 ¯x) 사이의 균형을 조절한다. 논문에서는 단일 τ 값만을 튜닝했으며, 이는 사용자 개입을 최소화한다는 장점이 있다. 또한, 복소값 신호를 먼저 복원하고 나중에 위상만 추출해 VENC 관계식으로 속도로 변환함으로써, 위상 추출이라는 비선형 과정을 최소화하고 선형 모델링의 정확성을 유지한다.

실험에서는 CFD 기반 3개의 대동맥 모델에서 저해상도 입력을 고주파 절단 및 15 dB PSNR의 복소 가우시안 노이즈를 추가해 생성하였다. 제안 방법은 PSNR과 RMSE 모두에서 bicubic 보간과 4DFlowNet을 능가했으며, 특히 작은 와류와 급격한 속도 구배 같은 미세 구조를 보존하는 데 강점을 보였다. 물리적 팬텀 실험에서도 노이즈 감소와 흐름 구조 유지가 눈에 띄었다. 다만, HR 레퍼런스가 없는 실제 환자 데이터에 대한 검증은 아직 이루어지지 않았으며, 정규화가 Tikhonov에 국한돼 있어 복잡한 흐름 패턴이나 비선형 물리적 제약을 충분히 반영하지 못할 가능성이 있다.

향후 연구 방향으로는 총변형 에너지, 연속성 방정식 등 물리적 제약을 정규화 항에 포함시키는 고급 프라이어, 그리고 딥 언폴딩(Deep Unfolding) 기법을 결합해 파라미터 자동 선택과 해석 가능성을 동시에 확보하는 방안이 제시된다. 이러한 확장은 임상 현장에서 다양한 혈관 기형 및 병변에 대한 일반화 가능성을 높일 것으로 기대된다.