신경 연산자를 활용한 주제 맞춤 저장량 MRI 합성

본 논문은 저장 필드 MRI(LF‑MRI)의 접근성을 높이고 비용을 절감하기 위해, 고장 MRI(HF‑MRI) 데이터를 이용해 LF‑MRI를 가상으로 생성하는 새로운 프레임워크를 제안한다. 기존의 저장 시뮬레이터는 잡음 주입과 스무딩만을 적용해 SNR 감소를 모사했지만, 필드 강도 차이에 따른 조직 특이적 대비 변화와 고주파 텍스처를 충분히 재현하지 못했다. 이를 해결하고자 저자들은 HF‑MRI와 LF‑MRI 사이의 변환을 연속적인 공간 신호의 함수‑함수 매핑으로 정의하고, 이를 신경 연산자(Neural Operator)로 학습한다. 제안된 모델은 H2LO(High‑to‑Low Field Operator)라 명명되며, DeepONet 구조를 기반으로 브랜치‑트렁크 형태의 두 네트워크로 구성된다. 브랜치 네트워크는 3D CNN 인코더(SRResNet 경량 변형)로 HF‑볼륨을 밀집된 특징 맵 F(u)∈ℝ^{P×H×W×D} 로 변환한다. 각 좌표 x_i,j,k 에 대해 해당 위치의 특징 벡터를 읽어와 P‑차원 계수 b_k(u,x) 를 얻는다. 이는 전역적인 요약이 아니라 공간별 변환 파라미터를 제공함으로써 조직별 대비 변화를 지역적으로 조절한다. 트렁크 네트워크는 사인형 활성화 SIREN(4‑layer MLP, ω₀=30)으로 좌표‑의존적인 기저함수 t_k(x)를 생성한다. SIREN은 고주파 신호를 정확히 재현하는 특성이 있어, 미세한 해부학적 경계와 텍스처를 보존한다. 최종 출력은 G_θ(u)(x)=∑_{k=1}^P b_k(u,x)·t_k(x)+β 로, 연속적인 LF 신호 f_LF(x)를 근사한다. 학습 손실은 두 부분으로 구성된다. 첫 번째는 L₁ 손실로, 무작위 샘플 N=8000개의 좌표에서 예측값과 실제 LF 신호 간 절대 오차를 최소화한다. 두 번째는 고주파 구조 보전을 위한 그래디언트 정규화 L_grad 으로, 3D 가우시안 커널 기반 1차 미분(∂_d) 차이를 제곱합해 공간 미분 일관성을 강제한다. λ_grad 은 검증 세트에서 하이퍼파라미터 탐색을 통해 설정하였다. 실험은 3T(고장)와 64 mT(저장) 스캔을 모두 제공하는 ds006557 데이터셋(23명, T1·T2)에서 수행되었다. 5‑fold 교차검증으로 훈련·검증·테스트를 분리했으며, PSNR, SSIM, NCC와 함께 워서스틴 거리, 히스토그램 NCC, Bhattacharyya 거리, Jensen‑Shannon 발산 등 히스토그램 기반 정밀도 지표를 사용해 전반적인 대비 변화를 평가했다. H2LO는 파라미터 0.58 M 으로 비교 대상인 Pix2Pix(4.86 M), DiffI2I(16.39 M), Conditional INR(0.85 M)보다 훨씬 가벼우면서도 PSNR(≈29 dB, T1)·SSIM(≈95 %)·NCC(≈0.975)에서 최고 성능을 기록했다. 특히 히스토그램 차이 지표(WASS, HNCC, BHA, JS)에서도 현저히 낮은 값을 보여 대비 변환을 정확히 학습했음을 확인할 수 있다. 시각적으로는 GAN 기반 방법에서 나타나는 격자형 아티팩트가 사라지고, INR 기반 방법에서 과도하게 스무딩된 결과보다 더 선명하고 해부학적으로 일관된 LF 영상을 생성한다. 추가 실험에서는 H2LO로 생성한 합성 LF‑HF 쌍을 데이터 증강에 활용해 기존 LF‑HF 이미지 향상 모델(PF‑SR)을 사전 학습시켰다. 공개 3T OpenNeuro(ds005752) 데이터에 대해 합성 LF 영상을 만든 뒤, 실제 ds006557의 소수 LF‑HF 쌍으로 미세조정하였다. 결과적으로 LF‑HF 변환 성능이 향상되었으며, 이는 H2LO가 단순 합성 도구를 넘어 LF 알고리즘 개발 파이프라인에 실질적인 가치를 제공함을 시사한다. 본 연구의 주요 기여는 다음과 같다. (1) HF‑MRI와 LF‑MRI 사이의 변환을 연속적인 함수 공간 매핑으로 정형화하고, 이를 신경 연산자로 학습함으로써 물리적 변환을 직접 모델링했다. (2) 좌표‑이미지 디커플링 구조와 SIREN 기반 고주파 기저함수를 도입해 고주파 텍스처와 조직 대비 변화를 동시에 보존했다. (3) 소규모 페어링 데이터(13~14명)만으로도 높은 합성 품질을 달성했으며, 파라미터 효율성(0.58 M)과 계산 효율성에서도 기존 I2I·GAN·Diffusion 모델을 능가했다. (4) 합성된 LF 영상을 데이터 증강에 활용해 LF‑HF 이미지 향상 모델의 성능을 향상시켰다. 한계점으로는 현재 3T→64 mT 한 쌍의 필드 강도에만 검증되었으며, 다중 필드 강도나 다양한 스캔 프로토콜에 대한 일반화 검증이 필요하다. 또한 훈련 시 3D 볼륨을 500 epoch 학습해야 하는 계산 비용이 존재한다. 향후 연구에서는 무감독 학습, 도메인 적응, 다중 필드 강도 연산자 학습 및 실시간 추론을 위한 경량화 방안을 탐색할 수 있다.