다목적 CT 이미지 향상을 위한 변환기 기반 기초 모델

초록

본 논문은 비이상 측정 CT(NICT)의 저품질 영상을 보정하기 위해 1.08억 장의 물리 기반 시뮬레이션 데이터를 사전 학습한 다중 스케일 통합 변환기(TAMP)를 제안한다. TAMP는 다양한 촬영 조건·신체 부위·결함 정도에 대해 범용적으로 향상 성능을 보이며, LoRA 기반 파라미터 효율 적응을 통해 몇 장의 슬라이스만으로도 특정 임상 시나리오에 빠르게 맞출 수 있다.

상세 분석

TAMP는 기존 NICT 향상 모델이 겪는 “전문화·데이터 부족·전이 학습 한계” 문제를 근본적으로 해결한다는 점에서 의미가 크다. 첫째, 저자들은 9,638개의 이상적인 CT(ICT) 볼륨을 기반으로 물리 법칙(투사 도메인 손실, 노이즈·희소 샘플링·제한 각도 등)을 적용해 1.08억 쌍의 NICT‑ICT 이미지 쌍을 생성한 SimNICT 데이터셋을 공개하였다. 이는 기존 공개 데이터보다 360배 이상 규모이며, 다양한 신체 부위(두부·흉부·복부·하지)와 세 가지 비이상 설정(LDCT, SVCT, LACT)을 포괄한다. 이러한 대규모·다양성 데이터는 기초 모델이 “물리적 결함 패턴”을 학습하도록 하여, 실제 임상 데이터에서도 높은 일반화를 가능하게 한다.

둘째, 모델 아키텍처는 Multi‑Scale Integrated Transformer Network(MITNet)으로, 서로 다른 해상도와 리셉티브 필드를 동시에 다루는 다중 스케일 변환기 블록을 채택한다. 이는 전통적인 CNN 기반 모델이 작은 스케일 노이즈(예: LDCT) 혹은 큰 스케일 아티팩트(예: LACT) 중 하나에만 최적화되는 한계를 극복한다. 또한 Dual‑Domain Enhancement Learning(DDEL)을 도입해 이미지 도메인과 투사 도메인 양쪽에서 손실을 최소화함으로써, 재구성 오류와 금속·각도 아티팩트를 동시에 억제한다.

셋째, 파라미터 효율 적응 전략으로 LoRA(Low‑Rank Adaptation)를 사용한다. 전체 모델(수백만 파라미터) 중 소수의 저차원 매트릭스만 학습함으로써, 5쌍의 이미지와 20 epoch 정도의 짧은 학습만으로도 특정 부위·설정에 최적화된 TAMP‑S를 만들 수 있다. 이는 임상 현장에서 데이터 수집 비용과 시간 제약을 크게 낮춘다.

실험 결과는 27개의 NICT 향상 태스크(3·3·3 조합)에서 PSNR, SSIM, LPIPS 등 다중 지표로 기존 최첨단 모델(Red‑CNN, FBPConvNet, TransCT 등)을 압도한다. 특히 사전 학습만으로도 대부분의 태스크에서 평균 PSNR 4~7 dB 상승, LPIPS 30% 이상 감소를 기록했으며, 파인‑튜닝 후에는 거의 모든 태스크에서 96% 이상 PSNR 향상을 달성했다. 방사선 전문의 평가와 실제 임상 데이터 검증에서도 구조적 세부가 보존되고 진단 가능성이 향상된 것으로 확인되었다.

마지막으로, 저자들은 SimNICT 데이터셋을 공개함으로써 향후 NICT 연구와 기초 모델 개발을 위한 표준 벤치마크를 제공한다. 이는 데이터 윤리·방사선 위험 문제를 회피하면서도 물리적 현실성을 유지하는 중요한 기여이다. 전반적으로 TAMP는 “범용·고성능·저비용”이라는 세 축을 모두 만족시키는 최초의 CT 이미지 향상 기초 모델로 평가된다.