Lightweight Physics-Aware Zero-Shot Ultrasound Plane-Wave Denoising

기술 요약: 경량 물리 인식 제로-샷 초음파 평면파 잡음 제거

문제 제기
초음파 일관성 평면파 합성 (CPWC) 은 여러 각도로 조향된 전송에서 반사파를 결합하여 이미지 대비를 향상시킵니다. 그러나 품질을 높이기 위해 조향 각도의 수를 늘리면 이미징 프레임 속도가 크게 저하되며, 동적 시나리오에서는 운동 관련 흐림이 발생할 수 있습니다. 따라서 고 프레임 속도를 위해 저각도 CPWC 획득이 종종 필요하지만, 이는 비일관성 잡음과 아티팩트에 매우 취약합니다. 딥러닝 기반 잡음 제거는 유망한 결과를 보여주었으나, 감독 학습 접근법은 대규모의 잡음이 포함된 이미지와 깨끗한 이미지로 구성된 쌍을 필요로 하는데, 임상 환경에서는 진정한 잡음이 없는 기준값 (ground truth) 을 획득하는 것이 불가능하기 때문에 이러한 데이터셋은 거의 존재하지 않습니다. 기존 자기 감독 학습 방법은 공간 다운샘플링 또는 마스킹 전략에 의존하는 경우가 많으며, 이는 초음파 획득의 특정 물리적 특성을 완전히 활용하지 못할 수 있고, 많은 경우 여전히 방대한 학습 데이터나 도메인 특화 미세 조정이 필요합니다.

방법론
저자들은 외부 학습 데이터셋이나 깨끗한 참조 이미지 없이 테스트 샘플에서 직접 작동하는 경량 물리 인식 제로-샷 잡음 제거 프레임워크를 제안합니다. 핵심 혁신은 평면파 획득의 물리적 특성을 활용하여 자기 감독 학습 쌍을 생성하는 데 있습니다:

1. 물리 인식 각도 분할: 공간 다운샘플링 대신, 이 방법은 저각도 합성 이미지의 사용 가능한 조향 각도를 두 개의 불교합 부분집합 (예: 홀수 인덱스 각도와 짝수 인덱스 각도) 으로 분할합니다.
2. 가짜 쌍 생성: 각 부분집합을 사용하여 합성 이미지를 재구성합니다. 두 이미지 모두 동일한 해부학적 구조를 공유하지만, 각 부분집합 내 전송 횟수가 감소함에 따라 각도에 의존하는 아티팩트와 비일관성 잡음 성분이 서로 다릅니다.
3. 자기 감독 잔차 학습: 경량 합성곱 신경망 (CNN) 은 이러한 두 재구성된 부분집합을 가짜 쌍으로 사용하여 테스트 이미지에서 직접 훈련됩니다. 네트워크는 부분집합 간의 불일치 성분 (잡음 및 아티팩트) 을 추정하도록 학습합니다.
4. 손실 함수: 훈련은 부분집합 간의 양방향 일관성을 강제하는 대칭 잔차 손실과, 과도한 평활화를 방지하며 원본 입력의 구조적 에지와 질감을 보존하도록 보장하는 기울기 기반 일관성 손실을 활용합니다.
5. 아키텍처: 네트워크는 효율성을 위해 설계되어, 48 개의 채널을 가진 두 개의 $3 \times 3$ 합성곱 레이어와 최종 $1 \times 1$ 합성곱으로 구성되며, 총 파라미터 수는 22,000 개 미만입니다.

주요 기여

• 제로-샷 프레임워크: 외부 학습 데이터나 깨끗한 참조 이미지가 필요 없는 CPWC 용 잡음 제거 프레임워크 도입.
• 물리 인식 전략: 일관된 조직 구조를 유지하면서 각도에 의존하는 아티팩트 변이를 활용하는 새로운 각도 분할 전략으로, 네트워크가 해부학을 잡음과 구별할 수 있게 함.
• 경량 설계: 두 개의 합성곱 레이어만으로 구성된 효율적인 CNN 아키텍처 개발로, 테스트 샘플에서 직접 계산 비용이 적게 드는 훈련 가능.
• 종합 평가: 시뮬레이션, 팬텀, in vivo 데이터셋에 대한 광범위한 검증을 통해 고전적, 감독 학습, 기타 자기 감독 학습 기준 대비 성능 입증.

실험 결과
이 방법은 세 가지 데이터셋에서 평가되었습니다:

1. 시뮬레이션 (PICMUS): 제안된 방법은 모든 낭종 행에 걸쳐 가장 높은 대비 - 잡음비 (CNR) 와 일반화된 CNR(gCNR) 을 달성하여, 감독 학습 모델 (MSLAE, DPWDPM) 과 자기 감독 학습 기준 (ZS-N2N, N2S, S2S) 보다 우수한 성능을 보였습니다.
2. 팬텀 데이터: 이 프레임워크는 낭종 경계와 균일성을 보존하는 데 있어 우수한 성능을 보여주었으며, 고품질 75 각도 기준에 가장 가까운 gCNR 및 CNR 값을 달성하여 BM3D 및 기타 학습 기반 방법을 능가했습니다.
3. In Vivo 데이터 (경동맥): 단면 (CC) 및 종단 (CL) 뷰 모두에서 이 방법은 가장 높은 대비 지표를 산출하고 경쟁 방법들보다 혈관벽의 선명도를 더 잘 보존했습니다. 특히 CL 데이터셋에서 제안된 방법은 gCNR 0.88 및 CNR 3.6 dB 를 달성하여 75 각도 합성 참조조차도 능가했습니다.

모든 실험에서 이 방법은 콜모고로프 - 스미르노프 (KS) 검정을 통과하여 스펙클 패턴의 통계적 특성이 보존되었고 인위적인 질감이 도입되지 않았음을 확인했습니다. 현재 구현은 NVIDIA RTX 4090 에서 훈련 및 추론을 포함하여 이미지당 약 6 초가 소요되지만, 저자들은 이것이 아직 실시간 속도로 최적화되지 않았다고 언급했습니다.

의의 및 주장
이 논문은 이 접근법이 제한된 획득 각도나 학습 데이터 부족 시나리오에서 고품질 초음파 재구성을 위한 견고하고 데이터 효율적인 솔루션을 제공한다고 주장합니다. 테스트 이미지에서 직접 훈련함으로써, 이 방법은 합성 또는 팬텀 데이터에 의존하는 감독 학습 모델에서 흔히 발생하는 도메인 이동 문제를 피합니다. 저자들은 물리 인식 쌍 생성 전략이 네트워크가 도메인 특화 미세 조정 없이도 일관되지 않은 잡음으로부터 해부학적 정보를 효과적으로 분리할 수 있게 한다고 강조합니다. 현재 아키텍처는 실시간 배포에 최적화되지 않았으나, 저자들은 다양한 데이터셋에 대한 사전 훈련이 필요한 훈련 반복 횟수를 더 줄여 온라인 임상 적용의 길을 열 것이라고 제안합니다. 이 연구는 데이터 수집의 부담 없이 고전적 신호 처리와 딥러닝 간의 간극을 메우는 효율적인 초음파 잡음 제거를 위한 유망한 경로를 확립합니다.