Dual-domain Multi-path Self-supervised Diffusion Model for Accelerated MRI Reconstruction

[기술 요약] Dual-domain Multi-path Self-supervised Diffusion Model (DMSM)

1. 문제 정의 (Problem Statement)

자기공명영상(MRI)은 진단에 필수적이지만, 촬영 시간이 길어 환자의 불편함을 초래하고 임상 효율성을 저하시킵니다. 이를 해결하기 위해 k-space 데이터를 일부만 수집하는 '가속 MRI(Accelerated MRI)' 기술이 사용되지만, 다음과 같은 기존 기술적 한계가 존재합니다:

• 지도 학습(Supervised Learning)의 의존성: 기존 확산 모델(Diffusion Models)은 학습을 위해 완전하게 샘플링된(Fully-sampled) 데이터가 필요하며, 이는 실제 임상 환경에서 구하기 어렵습니다.
• 높은 계산 비용: 기존의 Transformer 기반 모델은 자기 주의 집중(Self-attention) 메커니즘으로 인해 연산량과 메모리 소모가 매우 큽니다.
• 불확실성 추정(Uncertainty Estimation)의 부재: 재구성된 영상의 신뢰도를 정량적으로 보여주는 메커니즘이 부족하여 임상적 의사결정 시 설명력이 떨어집니다.

2. 제안 방법론 (Methodology)

본 논문은 위 문제들을 해결하기 위해 DMSM이라는 새로운 프레임워크를 제안하며, 세 가지 핵심 구성 요소를 가집니다.

① 이중 도메인 자기지도 학습 (Dual-domain Self-supervised Training):

• 완전한 데이터 없이 언더샘플링된(Undersampled) k-space 데이터만으로 학습이 가능합니다.
• Partition Mask 전략: 입력된 k-space 데이터를 두 개의 파티션($y_{u,p1}, y_{u,p2}$)으로 무작위 분할합니다.
• 이중 도메인 손실 함수:
  • 이미지 도메인 손실($L_{IC}$): 서로 다른 파티션에서 재구성된 이미지 간의 일관성을 유지합니다.
  • 주파수(k-space) 도메인 손실($L_{KC}$): 재구성된 k-space가 원래의 측정값과 일치하도록 강제합니다.

② 경량 하이브리드 주의 집중 네트워크 (Light-weight Hybrid Attention Network, LHAN):

• 계산량이 많은 Transformer를 대체하기 위해 설계되었습니다.
• PAB (Parameter-free Attention Block): 별도의 학습 파라미터 없이 대칭형 활성화 함수($\sigma_a$)를 사용하여 특징을 추출함으로써 연산 효율을 극대화합니다.
• CATB (Cross-Attention Transformer Block): 확산 모델의 타임스텝(Time-index) 정보를 특징 맵과 효과적으로 융합합니다.
• DC (Data Consistency) Layer: 재구성 과정에서 물리적 제약 조건을 준수하도록 k-space 데이터를 보정합니다.

③ 다중 경로 추론 전략 (Multi-path Inference Strategy):

• 동일한 데이터에 대해 서로 다른 노이즈를 사용하여 여러 번의 재구성을 수행합니다.
• 결과 도출: 여러 경로의 평균값($\hat{x}_{avg}$)을 최종 영상으로 사용하고, 표준 편차($\sigma_{\hat{x}}$)를 통해 **픽셀 단위의 불확실성 지도(Uncertainty Map)**를 생성합니다.

3. 주요 기여 (Key Contributions)

• 데이터 독립성: 완전한 데이터 없이 언더샘플링 데이터만으로 고품질 재구성이 가능한 자기지도 학습 패러다임을 제시했습니다.
• 효율성 및 경량화: 0.8M개의 적은 파라미터만으로도 기존의 무거운 모델(예: SSDiff)보다 뛰어난 성능을 보이면서 연산 비용을 획기적으로 줄였습니다.
• 설명 가능성(Explainability) 제공: 불확실성 지도를 통해 재구성 오류가 발생할 가능성이 높은 영역을 시각화하여 임상적 신뢰도를 높였습니다.

4. 실험 결과 (Results)

• 데이터셋: fastMRI(Brain) 및 IXI 데이터셋을 사용하여 검증했습니다.
• 정량적 성능: T1, T2, FLAIR 등 다양한 시퀀스에서 PSNR, SSIM, MAE 지표 모두 기존의 지도 학습 및 자기지도 학습 모델(UNet, D5C5, SSDiff, SSAD-MRI 등)보다 우수한 성능을 기록했습니다. 특히 가속 계수가 높은(R=8) 극한 상황에서도 안정적인 성능을 보였습니다.
• 불확실성 상관관계: 생성된 불확실성 지도가 실제 재구성 오류(Absolute Error)와 높은 상관관계(PCC)를 가짐을 입증했습니다.

5. 의의 (Significance)

본 연구는 실제 임상 현장에서 데이터 확보의 어려움을 극복할 수 있는 실용적인 솔루션을 제공합니다. 또한, 단순히 영상을 잘 만드는 것을 넘어 "어느 부분이 부정확할 수 있는지"를 알려주는 불확실성 추정 기능을 결합함으로써, AI 기반 MRI 재구성 기술이 실제 의료 진단 보조 도구로 활용될 수 있는 중요한 발판을 마련했습니다.