HUydra 다중 HU 구간 폐 CT 전체 범위 합성

초록

본 논문은 폐 CT 영상의 전체 Hounsfield Unit(HU) 범위를 한 번에 모델링하는 대신, 조직별 HU 구간을 별도로 학습하고 이를 재구성 네트워크로 결합하는 새로운 생성 프레임워크인 HUydra를 제안한다. 다중 헤드 VQVAE를 포함한 여러 아키텍처를 비교한 결과, 다중 헤드 VQVAE가 가장 높은 FID 개선(6.2%)과 전 구간에 걸친 MMD, Precision, Recall 향상을 보였다. 이 접근법은 모델 복잡도와 연산 비용을 낮추면서도 임상적 해석 가능성을 높인다.

상세 분석

HUydra는 기존의 전 범위 CT 합성 모델이 직면한 고차원 연속 분포 학습의 어려움을, 임상에서 흔히 사용하는 HU 윈도우링을 데이터 전처리 단계와 유사하게 활용함으로써 해결한다. 구체적으로, 전체 HU 스펙트럼을 −1000~3000 범위에서 의미 있는 조직별 구간(예: 공기, 폐, 지방, 근육, 골격 등)으로 분할하고, 각 구간마다 독립적인 생성 모델을 학습한다. 이때 사용된 모델은 GAN, DDPM, VQVAE 등 다양한 최신 생성 기법이며, 특히 VQVAE는 이산 코드북을 통해 고해상도 텍스처를 효율적으로 압축한다. 다중 헤드 설계는 하나의 인코더가 여러 HU 구간에 대한 잠재 표현을 동시에 추출하도록 하여 파라미터 공유와 연산 효율을 동시에 달성한다. 또한, 다중 디코더 구조는 각 구간별 특화된 디코딩을 가능하게 하여 조직별 세부 텍스처 보존에 기여한다.

학습 후에는 각 구간별 생성 결과를 “역 윈도우링” 네트워크에 입력한다. 이 네트워크는 구간별 출력을 선형 혹은 비선형 방식으로 결합해 전체 HU 스펙트럼을 복원하며, 손실 함수에 L1 재구성 손실과 HU 간 연속성을 강제하는 정규화를 포함한다. 실험은 공개 LIDC‑IDRI 데이터셋을 사용했으며, 평가 지표로는 Fréchet Inception Distance(FID), Maximum Mean Discrepancy(MMD), Precision‑Recall 곡선이 채택되었다. 다중 헤드 VQVAE는 FID에서 6.2% 개선을 보였고, 모든 HU 구간에서 MMD 감소와 Precision/Recall 상승을 기록했다. 이는 구간별 모델링이 전체 분포의 모드 붕괴를 방지하고, 조직별 다양성을 유지함을 의미한다.

추가적으로, 저자들은 Visual Turing Test(VTT)를 통해 임상의가 합성 영상을 실제와 구분하기 어려웠음을 보고했으며, 이는 임상 적용 가능성을 뒷받침한다. 계산 비용 측면에서도, 각 구간 모델이 상대적으로 작은 파라미터 수를 갖고 독립적으로 학습되므로, 단일 대형 모델 대비 GPU 메모리 사용량과 학습 시간 모두 감소한다. 마지막으로, HUydra는 HU 윈도우링이 의미 있는 다른 영상 모달리티(예: MRI의 T1/T2 맵)에도 확장 가능함을 제시한다.