🔬 physics

Joint Reconstruction of Activity and Attenuation in PET by Diffusion Posterior Sampling in Wavelet Coefficient Space

본 논문은 보조적인 해부학적 스캔의 필요성을 제거하기 위해 웨이브릿 확산 모델(wavelet diffusion models)과 확산 후처리 샘플링(diffusion posterior sampling)을 활용하는 PET 활성도 및 감쇠 결합 재구성 프레임을 제안하며, 이는 시뮬레이션된 3D TOF 데이터에서 기존 방법들보다 우수한 성능을 입증함과 동시에 임상적 non-TOF 적용에 대한 유망한 잠재력을 보여준다.

원저자: Clémentine Phung-Ngoc, Alexandre Bousse, Antoine De Paepe, Thibaut Merlin, Baptiste Laurent, Hong-Phuong Dang, Olivier Saut, Catherine Cheze-Le-Rest, Dimitris Visvikis

게시일 2026-07-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Clémentine Phung-Ngoc, Alexandre Bousse, Antoine De Paepe, Thibaut Merlin, Baptiste Laurent, Hong-Phuong Dang, Olivier Saut, Catherine Cheze-Le-Rest, Dimitris Visvikis

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 인체 내부를 다루는 거대한 3D 퍼즐을 풀고 있다고 상상해 보세요. 보통 이 그림을 선명하게 보려면 두 가지가 필요합니다. 빛나는 조각들을 보여줄 손전등(방사성 추적자의 '활성도')과 그 빛이 통과해야 하는 안개 낀 유리의 지도(CT 스캔으로 얻는 '감쇄' 지도)가 있어야 합니다.

수십 년 동안 의사들은 이 그림을 수정하기 위해 저 추가적인 CT 지형도에 의존해 왔습니다. 하지만 CT 스캔을 찍는다는 것은 추가적인 방사선 노출, 추가적인 시간, 그리고 추가적인 비용을 의미합니다. 만약 손전등 데이터만으로 이 퍼즐을 풀 수 있다면 어떨까요? 이 논문이 다루는 핵심 질문입니다.

저자들은 JRAA-DPS라고 불리는 새로운 방법을 제안합니다. 이것은 수천 개의 완성된 퍼즐을 공부한 아주 똑똑한 AI 탐정이라고 생각하면 됩니다. 이 탐정은 인체 내에서 '빛나는' 부분(종양 등)과 '안개 낀' 부분(뼈나 근육 등)이 보통 특정한 방식으로 예측 가능하게 결합된다는 것을 알고 있습니다.

이 마법이 일어나는 과정은 다음과 같습니다:

학습 (The Training): AI는 360명의 실제 환자로부터 얻은 이미지 쌍(빛 + 안개)을 통해 학습되었습니다. AI는 이 두 이미지가 함께 어떻게 보이는지에 대한 '규칙'을 배웠습니다. 마치 요리사가 완벽한 케이크에는 항상 밀가루와 설탕의 특정 비율이 들어간다는 것을 배우는 것과 같습니다.
웨이브릿 기법 (The Wavelet Trick): 인체의 거대한 3D 크기를 처리하여 컴퓨터가 멈추지 않도록 하기 위해, 팀은 AI에 원본 이미지를 그대로 입력하지 않았습니다. 대신 이미지를 '웨이브릿 계수(wavelet coefficients)'로 분해했습니다. 고해상도 사진을 형태와 질감을 설명하는 일련의 음표들로 바꾸는 것을 상상해 보세요. AI는 이 음표들을 작곡하는 법을 배웁니다.
샘플링 (The "DPS" part): AI가 새로운 노이즈가 섞인 퍼즐(손전등 데이터만 있는 경우)을 받으면, 단순히 추측하지 않습니다. 무작위 정적(화이트 노이즈) 상태에서 시작하여 단계별로 천천히 정교하게 다듬어 나갑니다. 매 단계마다 AI는 두 가지 질문을 던집니다. "이것이 현실적인 인체의 모습인가?" (학습된 내용 기반) 그리고 "이것이 우리가 실제로 측정한 손전등 데이터와 일치하는가?" AI는 두 질문 모두에 "예"라고 답할 때까지 이미지를 미세하게 조정합니다.

이 논문이 실제로 발견한 것(그리고 발견하지 못한 것):
시뮬레이션(컴퓨터로 생성된 퍼즐)에서 이 새로운 방법은 스타 플레이어였습니다. 데이터가 'High Count'(빛이 많고 신호가 명확함)일 때, JRAA-DPS 방식은 기존의 표준 방식(MLAA 및 MLAA-UNet)보다 더 선명하고 노이즈가 적은 활성도 이미지를 만들어냈습니다. 심지어 'Time-of-Flight(TOF)' 정보가 없는 상황에서도 어느 정도 품질을 유지하며 작동했습니다.

하지만 논문은 한계점에 대해서도 매우 솔직합니다. 데이터가 'Low Count'(빛이 매우 희미하여 속삭임처럼 작은 경우)일 때, 이 방법은 어려움을 겪었습니다. 재구성된 '안개' 지도(감쇄)는 다소 흔들리고 왜곡되었지만, '빛나는' 그림(활성도)은 여전히 괜찮아 보였습니다.

또한 연구진은 Siemens Biograph mMR 스캐너의 실제 환자 데이터를 테스트했습니다. 여기서 이 방법은 CT나 MR 지도를 사용하지 않고도 환자의 이미지를 성공적으로 재구성했습니다. 종양과 신체 구조를 찾아낸 것입니다. 하지만 한 가지 걸림돌이 있었습니다. 이 방법은 '산란된' 빛에 대한 추정치가 약간 낮았기 때문에, 조용한 영역(간과 같은 부위)에서 밝기를 약간 과대평가하는 경향이 있었습니다.

"환각(Hallucination)" 경고
이 모델은 생성 모델(패턴을 바탕으로 무언가를 처음부터 만들어내는 모델)이기 때문에, 때때로 '환각'을 일으킬 수 있습니다. 저자들은 재구성된 안개 지도에서 폐의 작은 공기 주머니나 특정 뼈의 가장자리 같은 미세한 디테일이 다소 어색하거나 누락되는 현상을 발견했습니다. 논문은 이러한 오류가 주요한 '빛나는' 그림을 망치지는 않지만, 실질적인 한계점이라고 시사합니다. 이는 마치 멋진 풍경을 그릴 줄 알지만, 실수로 작은 돌 하나를 그리는 것을 잊어버리는 예술가와 같습니다.

속도의 장애물
한 가지 더 유념해야 할 점은 속도입니다. 기존 방식이 퍼즐을 푸는 데 약 2~3분이 걸렸다면, 이 새로운 AI 탐정은 시뮬레이션 데이터에 대해 약 43분, 실제 임상 데이터에 대해 약 77분이 걸렸습니다. 저자들은 이것이 느리다는 점을 인정하면서도, DDIM과 같은 다른 샘플링 스케줄을 사용하는 등의 수학적 조정을 통해 향후 이 시간을 크게 단축할 수 있다고 제안합니다.

결론
이 논문은 우리가 언젠가 CT 스캔 없이도 PET 스캔을 할 수 있게 되어, 방사선 노출과 시간을 줄일 수 있을 것임을 시사합니다. 이 방법은 시뮬레이션에서 잘 작동하며 실제 데이터에서도 가능성을 보여주었으며, 미리 만들어진 지도 없이도 고품질의 이미지를 재구성할 수 있음을 증명했습니다. 하지만 아직 완벽하고 즉각적인 해결책은 아닙니다. 저조도 상황을 더 잘 다루고, 안개 지도에서의 '환각'을 멈추며, 더 빠르게 실행되도록 더 많은 작업이 필요합니다. 현재로서는, 인체 내부를 보는 더 단순하고 안전한 방법을 향한 매우 유망한 발걸음입니다.

기술 요약: 웨이브릿 계수 공간에서의 확산 후험 샘플링을 이용한 PET의 활동량 및 감쇠 공동 재구성

문제 정의
양전자 방출 단층 촬영(PET)은 방사성 추적자의 활동량을 정확하게 정량화하기 위해 감쇠 교정(Attenuation Correction, AC)이 필요합니다. 전통적인 워크플로우는 공동 등록된 컴퓨터 단층 촬영(CT) 또는 자기 공명(MR) 스캔에 의존하여 감쇠 지도를 생성합니다. 그러나 이러한 보조 스캔은 방사선 노출을 증가시키고, 워크플로우를 복잡하게 하며, 정렬 불일치 아티팩트를 유발합니다. 방출 데이터만을 사용하는 공동 활동량 및 감쇠 재구성(JRAA)은 해결책을 제시하지만, 기존 방법들은 상당한 한계에 직면해 있습니다. MLAA(Maximum Likelihood Activity and Attenuation)와 같은 전통적인 접근 방식은 시간 정보(Time-of-Flight, TOF) 해상도가 불충분할 때 활동량-감쇠 간의 크로스토크(crosstalk)가 발생하며, TOF 정보가 없는 경우에는 완전히 실패합니다. 또한, 감쇠 교정을 위한 딥러닝(DL) 방법들은 측정된 방출 데이터와 일관성이 부족한 직접적인 이미지 대 이미지 매핑에 의존하거나, 노이즈가 많은 중간 재구성에 의존하는 간접적인 방법을 사용하여 비정상적인 해부학적 구조나 변화하는 계수 수준(out-of-distribution) 사례에 민감하게 반응합니다.

방법론
저자들은 **웨이브릿 확산 모델(Wavelet Diffusion Model, WDM)**에 의해 가이드되는 **확산 후험 샘플링(Diffusion Posterior Sampling, DPS)**을 사용하여, 오직 방출 데이터로부터 활동량( $\lambda$ )과 감쇠( $\mu$ )를 공동으로 재구성하는 프레임워크인 JRAA-DPS를 제안합니다.

웨이브릿 확산 모델 (WDM): 대규모 3D 볼륨을 효율적으로 처리하기 위해, 저자들은 활동량 및 감쇠 이미지 쌍으로 학습된 WDM을 사용합니다. 이미지를 직접 다루는 대신, 모델은 웨이브릿 계수 공간에서 사전 확률(prior)을 학습합니다. 직교 이산 웨이브릿 변환(DWT)은 3D 이미지 쌍을 8개 채널의 웨이브릿 계수로 분해하여, 구조적 정보를 보존하면서도 계산 복잡성을 줄입니다. 모델은 $p(\lambda, \mu)$ 의 결합 확률 분포를 학습하기 위해 디노이징 확산 확률 모델(DDPM) 목적 함수를 사용하여 학습됩니다.
확산 후험 샘플링 (DPS): 재구성 과정에서 학습된 WDM은 직접적인 예측기가 아닌 사전 확률로서 작용합니다. 알고리즘은 측정된 방출 데이터 $y$ $y$ 로부터 사후 분포 $p(\lambda, \mu | y)$ $p (λ, μ ∣ y)$ 를 샘플링합니다. 각 확산 단계에서 알고리즘은 다음을 수행합니다:
- 학습된 사전 확률을 기반으로 노이즈가 섞인 추정치를 생성합니다.
- 측정된 데이터의 로그 가능도(log-likelihood) 기울기(gradient)를 사용하여 활동량과 감쇠 잠재 변수를 각각 별도로 업데이트합니다(데이터 일관성).
- 스캐너 기하학, TOF 해상도, 스캔 시간 및 노이즈 특성을 포함하는 순방향 모델(forward model)을 명시적으로 통합하여, 모델을 재학습할 필요 없이 특정 획득 설정에 대해 재구성이 일관되게 유지되도록 합니다.
공동 산란 추정: 본 프레임워크는 산란(scatter) 파라미터를 기울기 상승법(gradient ascent)을 통해 샘플링 과정 중에 점진적으로 정밀화하는 공동 산란 추정 전략을 통합하며, 이를 통해 산란 계산을 위한 사전 감쇠 지도의 필요성을 제거합니다.

주요 기여

새로운 JRAA 프레임워크: 활동량-감쇠 쌍으로부터 학습된 확산 사전 확률을 활용하여, 방출 데이터만으로 두 지도를 모두 재구성하는 DM 기반 JRAA 방법(JRAA-DPS)을 도입했습니다.
사전 확률과 획득 모델의 분리: 확산 사전 확률은 획득 모델과 독립적입니다. 단일 학습 모델은 순방향 모델을 특정 데이터에 맞게 조정하기만 하면 다양한 설정(서로 다른 스캔 시간, TOF 해상도 및 스캐너 기하학)에 적용될 수 있어 재학습의 필요성을 없앴습니다.
웨이브릿을 통한 확장성: WDM의 사용은 대규모 3D 볼륨 처리를 가능하게 하여, 일반적으로 3D 확산 모델에서 발생하는 계산적 장벽을 극복합니다.
공동 산란 통합: DPS 루프 내에서 공동 산란 추정을 수행할 수 있어, 외부 해부학적 사전 정보에 대한 의존도를 더욱 낮추었습니다.

실험 결과
방법론은 시뮬레이션 데이터(실험 1)와 Siemens Biograph mMR 스캐너의 실제 임상 데이터(실험 2) 모두에서 평가되었습니다.

시뮬레이션 데이터: JRAA-DPS는 고계수(High-Count, HC) 및 저계수(Low-Count, LC) 설정 모두에서 활동량 재구성에 대해 PSNR, SSIM, NRMSE 측면에서 MLAA 및 MLAA-UNet(U-Net 후처리 MLAA)보다 우수한 성능을 보였습니다.
- TOF vs. Non-TOF: TOF 정보가 있는 경우, JRAA-DPS는 고품질의 노이즈 없는 재구성을 생성했습니다. Non-TOF 설정에서는 성능이 저하되었으며, 특히 LC 조건에서 그러했으나 여전히 MLAA 및 MLAA-UNet보다 높은 활동량 회복력을 보였습니다.
- 감쇠 재구성: LC 설정에서 MLAA-UNet은 더 나은 지표 점수를 가진 더 부드러운 감쇠 지도를 생성한 반면, JRAA-DPS는 일부 오류가 있는 세부 사항을 도입했습니다. 그러나 이러한 세부 사항이 재구성된 활동량 이미지의 품질을 크게 저해하지는 않았습니다.
- 병변 회복: JRAA-DPS는 충분한 하이퍼파라미터 튜닝이 이루어진 LC 설정에서 병변의 강도와 대비를 견고하게 회복함을 입증했습니다.
임상 데이터: 본 방법은 종양과 같은 의미 있는 구조를 회복하며 Non-TOF 임상 데이터를 성공적으로 재구성했습니다. MLAA-UNet이 (동일한 OSEM 알고리즘 및 산란 추정치를 사용하여 유리한 비교 조건을 가졌기에) 더 높은 이미지 품질 지표를 달랐으나, JRAA-DPS는 MR 유래 감쇠 지도에 의존하지 않고도 활동량과 감쇠를 모두 재구성했습니다.
관찰된 한계점:
- 산란 과소 추정: 임상 데이터에서 공동 산란 추정은 산란을 과소 추정하는 경향이 있었으며, 이는 낮은 섭취 영역(예: 간)에서 활동량 과대 추정을 초래했습니다.
- 환각(Hallucinations): 생성 모델의 특성상, 감쇠 지도에서 "환각" 현상(예: 뼈의 세부 사항 누락, 불일치하는 폐 구조)이 나타났으나, 이는 활동량 재구성에 미치는 영향이 미미했습니다.
- 계산 비용: 재구성은 계산 비용이 많이 들며, 임상 데이터의 경우 약 20분이 소요되는 MLAA 기반 방법과 달리 약 1시간 20분이 소요됩니다.

의의 및 주장
본 논문은 JRAA-DPS를 **단독 PET 영상(stand-alone PET imaging)**을 향한 중요한 진전으로 위치시키며, 정량화 정확도를 유지하면서 해부학적 양식(CT/MR)에 대한 의존도를 줄이는 것을 목표로 합니다. 저자들은 순방향 모델에 획득 요인을 명시적으로 모델링함으로써, 재학습 없이도 다양한 계수 수준과 TOF 정보의 유무에 대한 견고성을 제공한다고 주장합니다.

저자들은 현재 방법론의 상태에 대해 다음과 같이 겸허하게 인정하고 있습니다:

Non-TOF LC의 한계: 저계수, Non-TOF 시나리오에서의 재구성 품질이 상당히 저하되어, 해당 특정 설정에서의 실질적인 효과를 제한합니다.
산란 추정: 현재의 공동 산란 추정 전략은 완벽하지 않으며, 활동량 과대 추정을 방지하기 위해 추가적인 개선이 필요합니다.
생성적 아티팩트: 감쇠 지도에서 나타나는 환각 특징의 가능성은 임상적 검증이 필요한 제한 사항으로 남아 있습니다.
속도: 현재 재구성 시간은 임상 도입의 장벽이지만, 저자들은 DDIM과 같은 가속 샘플링 방법을 통해 이를 완화할 수 있다고 제안합니다.

궁극적으로, 이 연구는 확산 사전 확률을 사용하여 CT 없는 PET 재구성을 수행하는 것의 타당성을 입증하며, 산란 추정과 샘플링 속도가 더욱 최적화된다면 방사선 선량 감소와 워크플로우 효율성 개선을 위한 경로를 제시합니다.

유사한 논문