Cross-Distribution Diffusion Priors-Driven Iterative Reconstruction for Sparse-View CT

1. 문제 정의 (Problem Statement)

• 희소 뷰 CT (SVCT) 의 필요성: 방사선 피폭 감소 및 시간 해상도 향상을 위해 투영 각도 수를 줄이는 SVCT 는 중요하지만, 투영 데이터의 부족으로 인해 심각한 스트리킹 아티팩트와 구조적 손실이 발생합니다.
• OOD (분포 외) 문제: 실제 임상 환경에서는 훈련 데이터와 테스트 데이터 간의 분포 차이 (다른 스캐너, 다른 촬영 프로토콜, 다른 해부학적 부위 등) 가 빈번하게 발생합니다. 기존 딥러닝 기반 방법 (CNN, Transformer, 확산 모델 등) 은 훈련 분포와 다른 OOD 데이터에서 성능이 급격히 저하되거나, 데이터 제약 조건을 위반하는 할루시네이션 (Hallucination, 잘못된 구조 생성) 을 일으키는 경향이 있습니다.
• 기존 방법의 한계:
  • 전통적인 반복 재구성 (MBIR) 은 고주파 세부 정보를 보존하기 어렵고 튜닝이 필요합니다.
  • 기존 확산 모델 기반 방법들은 특정 분포에 과적합되거나, OOD 상황에서 불안정하여 아티팩트를 제거하지 못하거나 잘못된 구조를 생성합니다.

2. 제안 방법론 (Methodology: CDPIR)

CDPIR 은 물리 기반의 반복 재구성과 교차 분포 확산 사전 지식을 결합한 하이브리드 프레임워크입니다.

A. 핵심 구성 요소

1. 확산 트랜스포머 (Scalable Interpolant Transformer, SiT):

   • 기존 Score-based 모델 (SGM) 이 스코어 함수를 학습하는 대신, 확률적 보간자 (Stochastic Interpolant) 프레임워크 하에서 속도장 (Velocity Field) 을 학습합니다.
   • 이는 노이즈에서 데이터로의 전환 경로를 더 명확하게 제어하며, ODE 또는 SDE 를 통한 샘플링을 유연하게 지원합니다.
   • SiT 는 대규모 모델 확장 (Scaling) 과 전역 컨텍스트 모델링에 유리한 트랜스포머 아키텍처를 기반으로 합니다.

2. 클래스리스 가이드 (Classifier-Free Guidance, CFG) 를 통한 교차 분포 사전 지식 학습:

   • 도메인 토큰 (Domain Token): 다양한 데이터셋 (예: AAPM, COCA) 에 대한 클래스 라벨을 토큰으로 사용합니다.
   • 무작위 드롭 (Random Dropping): 훈련 시 도메인 토큰을 일정 확률로 'Null' 토큰으로 대체하여, 모델이 두 가지 가지 (Branch) 를 동시에 학습하도록 합니다.
     • 도메인 불변 (Domain-Invariant) 가지: Null 조건에서 학습되며, 모든 도메인에 공통된 해부학적 구조 (심장, 폐, 뼈 등) 를 포착합니다.
     • 도메인 특정 (Domain-Specific) 가지: 조건부 토큰에서 학습되며, 특정 도메인의 질감, 노이즈, 에지 특성 등을 포착합니다.
   • 추론 (Inference): CFG 를 사용하여 두 가지 성분을 결합함으로써, OOD 상황에서도 해부학적 구조는 유지하되 도메인 특성에 맞춰 적응할 수 있도록 합니다.

3. 잔차 기반 반복 솔버 (Residual-Guided Alternating Solver):

   • 데이터 충실도 (Data Fidelity): 측정된 투영 데이터 (Sinogram) 와의 일관성을 보장하기 위해 ASD-POCS (Adaptive Steepest Descent Projection Onto Convex Sets) 알고리즘을 사용합니다.
   • 교대 최적화: 확산 모델에 의한 생성적 업데이트 (Denoising) 와 물리 기반의 데이터 일관성 업데이트 (Projection) 를 교대로 수행합니다.
   • 이를 통해 확산 모델이 생성한 이미지가 실제 측정 데이터를 위반하지 않도록 제한하며, 희소 뷰 아티팩트를 제거하고 할루시네이션을 억제합니다.

3. 주요 기여 (Key Contributions)

1. CDPIR 프레임워크 제안: 조건부 확산, 확률적 보간자 샘플링, 잔차 기반 업데이트를 단일 반복 재구성 프레임워크에 통합한 최초의 방법입니다.
2. 강력한 OOD 일반화 능력: CFG 와 트랜스포머 기반 확산 사전 지식을 결합하여, 훈련 데이터와 다른 스캐너/프로토콜/해부학적 구조에서도 뛰어난 재구성 성능을 보입니다.
3. 광범위한 실험 검증: 5 개의 실제 및 합성 데이터셋 (AAPM, COCA, XCAT, GE 임상, MARS PCCT) 을 통해 다양한 희소 뷰 조건과 OOD 시나리오에서 기존 최첨단 (SOTA) 방법들 (DDS, DiffusionMBIR, DDIP3D 등) 보다 우월한 성능을 입증했습니다.

4. 실험 결과 (Results)

• 정량적 성능:
  • OOD 시나리오: 훈련 데이터 (AAPM) 에서 학습하고 완전히 다른 데이터셋 (XCAT, COCA) 에서 테스트할 때, 기존 CNN/Transformer 기반 방법들은 성능이 크게 저하되었으나, CDPIR 은 PSNR, SSIM, LPIPS 모든 지표에서 SOTA 보다 우위를 보였습니다.
  • 임상 데이터 (Zero-shot): 사전 학습이나 미세 조정 없이 GE 임상 심장 CT 및 MARS PCCT (손목) 데이터에 직접 적용했을 때, 기존 확산 모델들은 심각한 아티팩트를 보인 반면 CDPIR 은 선명한 해부학적 구조를 유지하며 아티팩트를 효과적으로 제거했습니다.
• 정성적 분석:
  • 저대조도 조직과 고대조도 경계 (예: 관상동맥 석회화) 를 명확하게 보존하면서도 스트리킹 아티팩트를 제거했습니다.
  • 2D 슬라이스 기반 모델임에도 불구하고, 반복적 데이터 일관성 업데이트를 통해 슬라이스 간 불연속성 (Inter-slice discontinuity) 이 거의 없음을 확인했습니다.
• 효율성:
  • 확산 모델의 단점인 긴 추론 시간을 단축하기 위해, 1,000 단계 대신 300 단계만으로도 높은 재구성 품질을 달성할 수 있음을 보였습니다.

5. 의의 및 결론 (Significance)

• 임상적 가치: CDPIR 은 다양한 스캐너와 프로토콜에서 수집된 데이터에 대해 재학습 없이도 적용 가능한 범용 의료 영상 재구성 프레임워크로서의 가능성을 제시합니다. 이는 희소 뷰 CT 를 통한 방사선 피폭 감소와 빠른 촬영을 임상적으로 실현 가능하게 만드는 핵심 기술입니다.
• 기술적 혁신:
  • 할루시네이션 억제: 확산 모델의 생성적 유연성과 물리 기반의 엄격한 데이터 일관성을 결합하여, 의료 진단에 치명적인 오류 (잘못된 병변 생성) 를 방지합니다.
  • 확장성: 트랜스포머 아키텍처와 확률적 보간자 (Stochastic Interpolant) 의 결합은 모델 용량 확장에 유리하며, 향후 더 복잡한 3D 재구성이나 다른 의료 영상 모달리티로 확장 가능한 기반을 마련했습니다.

요약하자면, CDPIR 은 분포 간 차이를 극복하고 희소 뷰 아티팩트를 제거하며 할루시네이션을 방지하는 차세대 CT 재구성 기술로, 의료 영상 분야에서 중요한 진전을 이루었습니다.