Representation Paradigms in AI-based 3D Radiological Image Reconstruction: A Systematic Review

"AI 기반 3D 방사선 영상 재구성의 표현 패러다임: 체계적 고찰"에 대한 상세 기술 요약입니다.

1. 문제 제기

방사선 영상 (CT, MRI, PET, SPECT, 초음파) 은 임상 진단에 필수적이지만, 전통적인 재구성 방법은 다음과 같은 중대한 과제에 직면해 있습니다:

• 데이터 부족 및 노이즈: 임상적 제약으로 인해 저선량, 희소 뷰 (sparse-view), 또는 불완전 샘플링 획득이 빈번하여 노이즈가 많거나 불완전한 데이터가 생성됩니다.
• 물리 기반 방법의 한계: 전통적인 분석적 (예: 필터링 역투영) 및 반복적 방법 (예: OSEM) 은 노이즈, 모델링 불일치, 그리고 누락된 데이터에 민감합니다.
• AI 의 한계: 딥러닝 (CNN, Transformer, GAN, 확산 모델) 이 재구성을 개선했지만, 기존 리뷰들은 특정 네트워크 아키텍처나 영상 모드에 초점을 맞추는 경향이 있습니다. **3 차원 대상을 어떻게 매개변수화하는지 (표현 패러다임)**에 따라 방법을 분류하는 통합된 프레임워크가 부족합니다.
• 임상적 장벽: 현재 AI 방법들은 계산 효율성, 해석 가능성, 그리고 복잡한 3 차원 부피에서의 해부학적 충실도 보장 측면에서 어려움을 겪고 있습니다.

2. 방법론

저자들은 PRISMA 가이드라인에 따라 체계적인 문헌 고찰을 수행했습니다:

• 데이터 소스: Web of Science, Google Scholar, Scopus.
• 선정 기준: "AI", "딥러닝", "3D", "의료 영상", "재구성"과 관련된 키워드를 포함하여 최근 5 년간 출판된 논문.
• 필터링: 연구 초점, 인용 횟수, 그리고 최상위 저널 (예: IEEE T-MI, MICCAI, CVPR) 에 게재된 논문을 기준으로 선별.
• 최종 코퍼스: 64 개의 대표 연구가 분석되었습니다.
• 분류 체계 구축: 저자들은 모드나 네트워크 유형별로 그룹화하는 대신, 재구성 대상의 수학적 공식화에 기반하여 방법을 네 가지 표현 계열로 분류했습니다:
  1. 이산 그리드 표현 (Discrete Grid Representations)
  2. 명시적 기저 확장 표현 (Explicit Basis Expansion Representations)
  3. 명시적 원시 표현 (Explicit Primitive Representations)
  4. 암시적 신경 표현 (Implicit Neural Representations)

3. 주요 기여

이 논문은 네 가지 주요 기여를 합니다:

1. 표현 중심 분류 체계: AI 기반 3D 재구성 방법을 네 가지 뚜렷한 계열로 조직화하는 새로운 분류 체계를 제안하여, 겉보기에 이질적인 기법들 간의 관계를 명확히 합니다 (예: 라디언스 필드가 암시적 신경 표현의 하위 유형임을 명확화).
2. 종합적 조사: 다양한 모드 (CT, MRI, PET, SPECT, US) 와 작업 (작업 I: 원시 데이터에서 이미지로; 작업 II: 저선량에서 고선량으로; 작업 III: 희소 뷰에서 전체 뷰로) 을 광범위하게 다룹니다.
3. 자원 컴파일: 방사선 재구성에 특화된 공개 벤치마크 데이터셋 (예: AAPM 저선량 CT, fastMRI) 과 표준 평가 지표 (PSNR, SSIM, LPIPS 등) 를 요약합니다.
4. 비판적 분석 및 향후 방향: 각 패러다임의 강점/약점에 대한 비교 분석을 제공하고, 물리 통합, 임상 평가, 효율성, 프라이버시, 그리고 해석 가능성에 초점을 맞춘 향후 연구 방향을 제시합니다.

4. 표현 패러다임의 기술적 분석

A. 이산 그리드 표현

• 개념: 이미지는 고정된 샘플링된 공간 그리드 (보체셀 또는 슬라이스) 에 저장됩니다. 모델은 각 그리드 점에 대한 강도 값을 예측합니다.
• 하위 유형:
  • 슬라이스 단위: 2D 슬라이스를 독립적으로 처리 (예: U-Net). 빠르지만 슬라이스 간 불일치 문제가 발생합니다.
  • 다중 평면/스택: 연속성을 개선하기 위해 인접한 슬라이스를 함께 처리합니다.
  • 부피 단위: 전체 3D 부피를 함께 재구성합니다 (예: 3D U-Net, 3D GAN, 3D 확산).
• 장점: 직관적이며 기존 파이프라인과 호환되고 적응력이 높습니다.
• 단점: 고정된 해상도, 잠재적인 "계단식" 아티팩트, 고해상도 3D 부피에 대한 높은 메모리 사용량.

B. 명시적 기저 확장 표현

• 개념: 이미지는 사전 정의된 기저 함수 (예: B-스플라인, Kaiser-Bessel "블롭", 또는 커널 행렬) 의 선형 결합으로 표현됩니다.
• 메커니즘: $\lambda(r) = \sum \alpha_m \phi_m(r)$, 여기서 $\alpha_m$은 학습 가능한 계수이고 $\phi_m$은 기저 함수입니다.
• 장점: 그리드보다 부드러운 공간 전이; 컴팩트한 표현; 계수의 명시적 해석 가능성 유지.
• 단점: 성능이 기저 함수 선택에 크게 의존함; 기저 중첩으로 인한 투영/역투영 계산이 요구됨.

C. 명시적 원시 표현

• 개념: 이미지는 균일한 그리드가 아닌 적응형 학습 가능한 국소 요소 (원시) 의 유한 집합으로 근사됩니다.
• 주요 유형:
  • 가우스 원시: 3D 가우스 스플래팅 (3DGS) 에서 영감을 받음. 해부학을 표현하기 위해 학습 가능한 가우스 분포 (위치, 공분산, 밀도) 를 사용.
  • 심플렉스 메시: 적응형 삼각형/사면체 메쉬를 사용.
• 장점: 매우 효율적인 렌더링; 적응형 공간 지원 (필요한 곳에서는 고해상도, 그 외는 저해상도); 희소 뷰 및 신규 뷰 합성에 탁월함.
• 단점: 특수한 초기화 및 최적화 필요; 그리드보다 해석이 어려움; 복잡한 구현.

D. 암시적 신경 표현 (INR)

• 개념: 이미지는 보체셀을 명시적으로 저장하지 않고 공간 좌표를 강도로 매핑하는 연속 함수 $f_\theta(r)$로 모델링됩니다.
• 하위 유형:
  • 좌표 기반 강도 필드: $(x,y,z) \to$ 강도 매핑 (예: NeRP).
  • 라디언스 필드 (NeRF): 밀도와 뷰 의존적 색상을 모델링 (예: MedNeRF, Ultra-NeRF).
• 장점: 연속적인 해상도 (무한 확대); 희소 데이터 및 누락된 뷰 처리에 탁월함; 강력한 연속성 사전 지식.
• 단점: 높은 계산 비용 (느린 훈련/추론); "블랙박스" 성질 (낮은 해석 가능성); 대규모 3D 부피에 대한 메모리 집약적.

5. 결과 및 비교 분석

저자들은 효과성, 효율성, 적응성, 단순성, 그리고 해석 가능성이라는 다섯 가지 기준을 통해 네 가지 계열을 평가했습니다.

계열	효과성	효율성	적응성	단순성	해석 가능성
이산 그리드	높음 (4)	높음 (4)	매우 높음 (5)	매우 높음 (5)	낮음 (3)
기저 확장	보통 (3)	보통 (3)	높음 (4)	보통 (3)	보통 (4)
명시적 원시	높음 (4)	매우 높음 (5)	보통 (3)	낮음 (2)	낮음 (3)
암시적 신경	매우 높음 (5)	낮음 (2)	보통 (3)	낮음 (2)	매우 낮음 (2)

• 주요 발견: 단일 패러다임이 보편적으로 최적이지는 않습니다.
  • 그리드는 범용적이고 배포가 쉬운 임상 워크플로우에 가장 적합합니다.
  • **원시 (가우스)**는 속도와 희소 뷰 렌더링 간의 가장 좋은 절충안을 제공합니다.
  • **암시적 (NeRF)**은 연속 구조에 대한 가장 높은 이론적 충실도를 제공하지만, 효율성과 해석 가능성 측면에서 문제가 있습니다.
  • 전통적 반복적 방법은 여전히 가장 해석 가능한 기준선입니다.

6. 중요성 및 향후 방향

이 고찰은 "어떤 네트워크 아키텍처가 가장 좋은가?"라는 담론에서 "3 차원 데이터를 어떻게 표현해야 하는가?"라는 담론으로 전환시킵니다. 이 구분은 의료 AI 를 발전시키는 데 중요합니다.

식별된 과제 및 향후 방향:

1. 물리 통합: 재구성을 순수한 블랙박스 이미지 - 이미지 작업으로 취급하기보다, 향후 표현은 영상 물리 (전진 모델, 감쇠 법칙) 와 긴밀하게 통합되어야 합니다.
2. 임상 평가: PSNR/SSIM 을 넘어선 독자 연구, 해부학적 충실도, 그리고 하류 진단 유용성 (예: 병변 탐지 정확도) 을 포함하는 평가로 전환.
3. 효율성 및 배포: 실시간 임상 환경에서 고품질 3D 재구성을 실현하기 위해 경량 아키텍처, 지식 증류, 그리고 엣지 컴퓨팅 전략 개발.
4. 프라이버시: 환자 데이터 프라이버시를 훼손하지 않고 모델을 훈련시키기 위해 연방 학습, 차분 프라이버시, 그리고 비지도 방법 활용.
5. 해석 가능성: 임상가의 신뢰를 구축하고 안전성을 확보하기 위해 추적 가능한 메커니즘 (예: 최적화 단계 풀기) 을 갖춘 모델 설계.

결론:
이 분야는 물리 기반 영상 모델을 기반으로 하여 명시적 방법의 효율성과 암시적 방법의 연속성을 결합한 하이브리드 표현으로 진화하고 있습니다. 이 체계적 고찰은 임상적으로 실용적이고 고품질인 3D 방사선 재구성을 향한 이러한 진화를 안내하기 위한 필요한 분류 체계와 로드맵을 제공합니다.