Supervised Diffusion-Model-Based PET Image Reconstruction

1. 문제 정의 (Problem)

양전자 방출 단층촬영 (PET) 은 신체 내 기능적 과정을 정량적으로 영상화하는 핵심 핵의학 기술입니다. 그러나 방사선 노출을 줄이거나 스캔 시간을 단축하기 위해 방사성 동위원소 투여량 (방사선량) 을 낮추는 것은 필수적이지만, 이로 인해 측정 데이터에 고분산 푸아송 (Poisson) 잡음이 발생하여 이미지 재구성이 심각한 '잘못된 문제 (ill-posed inverse problem)'가 됩니다.

기존의 최신 재구성 알고리즘들은 이미지 사전 지식 (prior) 을 활용하지만, 대부분 **후사분포의 평균 (posterior mean)**만 추정합니다. 최근 확산 모델 (Diffusion Models, DM) 이 PET 재구성에 도입되었으나, 기존 접근법들은 다음과 같은 한계가 있었습니다:

• 비지도 학습 (Unsupervised) 방식의 한계: 고화질 PET 이미지로 훈련된 확산 모델에 측정 데이터를 조건으로 부여하는 방식은 스캐너 기하학적 구조나 투여량에 독립적이지만, 데이터 일관성 업데이트와 확산 모델 기반의 잡음 제거 업데이트 간의 상호작용을 명시적으로 모델링하지 못합니다.
• 이로 인해 정량적 정확도와 학습된 매니폴드 (manifold) 에 대한 충실도가 저하될 수 있습니다.

2. 제안 방법론 (Methodology: PET-DEFT)

저자들은 PET-DEFT라는 새로운 지도 학습 (Supervised) 기반 확산 모델 프레임워크를 제안합니다. 이는 Denker 등 [19] 의 DEFT (Doob's h-transform Efficient Fine Tuning) 프레임워크를 PET 재구성에 맞게 수정한 것입니다.

핵심 구성 요소 및 기술적 특징:

1. 이중 단계 훈련 전략:

   • 사전 훈련 (Pre-training): 고품질 PET 이미지로 무조건부 (unconditional) 확산 모델 ($s_\theta$) 을 훈련시킵니다.
   • 조건부 미세 조정 (Conditional Fine-tuning): 측정 데이터 (시노그램) 와 정답 이미지 쌍을 사용하여 조건부 스코어 네트워크 ($s_\phi$) 를 학습시킵니다. 이때 사전 훈련된 $s_\theta$는 고정 (freeze) 됩니다.

2. PET 특화 모듈 설계:

   • 측정 정규화 (Measurement Normalization): PET 이미지는 동적 범위 (intensity range) 가 매우 넓습니다. 이를 해결하기 위해 확산 업데이트는 정규화된 공간에서 수행하고, 데이터 충실도 (data fidelity) 업데이트 시에는 측정 기반 스케일 팩터 ($\hat{c}$) 를 사용하여 역변환합니다.
   • 비음수 제약 (Non-negativity Module): PET 의 푸아송 가능도 (Poisson likelihood) 모델은 값이 0 이상이어야 합니다. 제안된 방법은 조건부 Tweedie 추정치에 $pReLU$를 적용하여 음수 값을 제거하고, 이를 다시 스코어 추정치로 변환하여 비음수성을 강제합니다. 이는 추론 시 데이터 충실도 업데이트의 정확도를 높입니다.

3. 3D 재구성 확장:

   • 메모리 효율성을 위해 3D 데이터를 2.5D (연속된 3 개의 단면) 방식으로 처리합니다.
   • 물리 연산자 (Forward operator) 와 신경망을 분리하여 훈련함으로써, 3D PET 데이터에 대한 효율적인 학습과 후사분포 샘플링을 가능하게 합니다.

3. 주요 기여 (Key Contributions)

• 최초의 지도 학습 기반 PET 확산 모델: PET 재구성을 위해 측정 데이터와 직접적으로 상호작용하도록 훈련된 최초의 지도 학습 확산 모델 접근법을 제시합니다.
• PET 특화 프레임워크 개선: 기존 확산 모델 기반 역문제 해결 프레임워크에 PET 의 비음수성 (non-negativity) 과 넓은 동적 범위를 처리하기 위한 필수적인 수정 사항을 도입하고 검증했습니다.
• 성능 및 후사분포 샘플링: 시뮬레이션 실험에서 최신 지도 학습 재구성 방법 (FBSEMnet 등) 과 동등하거나 더 나은 정량적 성능을 보이면서, 불확실성 정량화를 위한 정확한 후사분포 (posterior) 샘플링을 가능하게 합니다.
• 실제 임상 데이터 적용: 실제 3D [18F]FDG 뇌 PET 데이터를 사용하여 방법론의 실용성을 입증했습니다.

4. 실험 결과 (Results)

• 정량적 평가: 다양한 방사선량 (0.1 배 ~ 10 배) 수준에서 뇌 PET 팬텀 데이터를 사용하여 평가했습니다. 제안된 PET-DEFT 는 **FBSEMnet (최신 지도 학습 방법)**과 동등하거나 더 나은 NRMSE(정규화 평균 제곱근 오차) 및 SSIM(구조적 유사도) 성능을 보였습니다. 반면, 기존 비지도 확산 모델 (PET-DDS, PET-LiSch) 및 모델 기반 방법 (MLEM, MAP-EM) 보다 우수한 성능을 기록했습니다.
• 정성적 평가: 저선량 조건에서 PET-DEFT 는 세부 특징을 유지하면서 부드러운 이미지를 생성하는 반면, 기존 지도 학습 방법 (FBSEMnet) 은 블록 형태의 저해상도 이미지를 생성하는 경향이 있었습니다.
• 불확실성 추정: 제안된 방법은 비지도 방법보다 실제 정답 이미지의 매니폴드에 더 잘 부합하는 샘플을 생성하여, 진단에 중요한 구조물의 신뢰도를 정량화하는 데 유리함을 보였습니다.
• Ablation Study:
  • 측정 정규화 모듈이 없으면 성능이 크게 저하됨을 확인했습니다.
  • 비음수성 모듈을 사용하면 역확산 단계 수를 줄여도 (5 단계) 최고 성능을 유지할 수 있음을 입증했습니다.
  • 훈련 데이터 양이나 파라미터 수를 줄여도 상대적으로 강건한 성능을 유지했습니다.

5. 의의 및 결론 (Significance)

이 논문은 PET 이미지 재구성 분야에서 확산 모델의 잠재력을 한 단계 끌어올렸습니다. 기존 비지도 방식의 한계를 극복하고, 측정 데이터와 생성 모델 간의 상호작용을 지도 학습으로 최적화함으로써 정량적 정확도를 높였습니다. 특히, 후사분포 샘플링을 통한 불확실성 추정은 임상 진단의 신뢰성 향상에 기여할 수 있으며, 실제 3D 임상 데이터에서의 성공적인 적용은 이 방법론이 실제 의료 현장에 도입될 수 있는 가능성을 시사합니다.

결론적으로, PET-DEFT 는 방사선량 저감 환경에서도 고품질의 PET 영상을 제공하면서도 재구성 결과의 불확실성을 정량화할 수 있는 강력한 도구로 평가됩니다.