기술 요약: 다중 레이트 희소 뷰 CT를 위한 해상도 불가지론적 뉴럴 오퍼레이터 (Resolution-Agnostic Neural Operators)

1. 문제 정의

희소 뷰 컴퓨터 단층 촬영(Sparse-View CT, SVCT)은 방사선 노출과 스캔 시간을 줄이기 위해 제한된 수의 X선 투영으로부터 고충실도 이미지를 재구성하는 것을 목표로 합니다. 이는 측정값의 수가 기저의 감쇠 맵(attenuation map)을 유일하게 결정하기에 불충분하므로, 부적절한 문제(ill-posed inverse problem)에 해당합니다.

딥러닝 방법들, 특히 합성곱 신경망(CNN)과 언롤드 최적화 네트워크(unrolled optimization networks)는 전통적인 방식인 필터 보정 역투영(Filtered Back Projection, FBP)이나 압축 센싱(compressed sensing)보다 재구성 품질을 크게 향상시켰으나, 해상도 및 샘플링 레이트 의존성이라는 치명적인 한계가 있습니다. 기존 모델들은 특정 획득 설정(예: 특정 투영 각도 수 또는 고정된 이미지 해상도)의 고정된 이산화(discretization)에 맞춰 학습됩니다. 결과적으로, 특정 샘플링 레이트로 학습된 모델은 다른 샘플링 레이트에 적용될 때 제대로 일반화되지 못하며, 입력 해상도나 뷰(view) 수가 변경될 경우 심각한 아티팩트를 생성합니다. 다양한 장기와 프로토콜에 따라 획득 설정이 변하는 임상 현장에서, 각 구성마다 별도의 모델을 유지하는 것은 확장성이 떨어지며 비현실적입니다.

2. 방법론: CTO 프레임워크

저자들은 **CTO(Computed Tomography neural Operator)**를 제안합니다. 이는 뉴럴 오퍼레이터(Neural Operators, NOs)를 희소 뷰 CT 재구성에 적용한 최초의 프레임워크입니다. 고정된 이산 격리(discrete grids) 사이의 매핑을 학습하는 표준 신경망과 달리, NO는 무한 차원 함수 공간(infinite-dimensional function spaces) 사이의 매핑을 학습합니다. 이를 통해 CTO는 재학습 없이도 서로 다른 측정 샘플링 레이트와 이미지 해상도에 걸쳐 일반화될 수 있습니다.

핵심 아키텍처 구성 요소

CTO는 반복적 최적화 알고리즘을 모방하되, 학습된 정규화 단계를 뉴럴 오퍼레이터로 대체한 언롤드 네트워크(unrolled network) 설계를 따릅니다. 이 프레임워크는 두 가지 주요 도메인으로 구성됩니다.

1. 사이노그램 공간 오퍼레이터 ($NO_s$):

   • 함수 공간: CT 측정값의 자연적 도메인인 극좌표계(각도 $\theta$, 검출기 위치 $r$)에서의 사이노그램 $p(\theta, r)$ 상에서 동작합니다.
   • 이중 브랜치 설계: FBP에서 영감을 받아, $NO_s$는 두 개의 병렬 U자형 DISCO 블록을 사용합니다.
     • 공간 브랜치 ($NO_{s,spatial}$): $(\theta, r)$ 도메인에서 국소적이고 기하학적 구조를 고려한 상관관계를 포착합니다.
     • 주파수 브랜치 ($NO_{s,freq}$): 검출기 축($r$)을 따라 1차원 푸리에 변환을 적용하여 장거리 각도-반경 의존성을 모델링하며, FBP의 램프 필터(ramp filter)와 유사하게 데이터 기반의 주파수 사전 지식(prior)을 효과적으로 학습합니다.
   • 회전 등변성(Rotation-Equivariance): CT의 물리적 대칭성(물체의 회전이 사이노그램의 각도 축 이동에 대응함)을 존중하기 위해, 본 아키텍처는 $r$ 축을 따른 플립(flip)과 함께 $\theta$ 축을 따라 **원형 패딩(circular padding)**을 활용합니다. 이는 네트워크가 평행 빔 기하 구조에 내재된 $\pi$-주기성과 플립 항등성을 처리하도록 하여 회전에 대해 등변성을 갖도록 보장합니다.

2. 이미지 공간 오퍼레이터 ($NO_i$):

   • 함수 공간: 2D 데카르트 이미지 격상에서 동작합니다.
   • 정밀화(Refinement): 사이노그램 도메인의 중간 재구성 결과를 받아 공간적 특징을 정밀화하고, 고주파 세부 사항을 복원하며 구조적 일관성을 확보합니다.

DISCO 메커니즘

두 오퍼레이터 모두 이산-연속(Discrete–Continuous, DISCO) 합성곱을 기본 구성 요소로 사용합니다.

• 연속 커널: 고정된 이산 커널을 사용하는 CNN과 달리, DISCO는 함수 공간에서의 연속 함수로서 합성곱 커널을 정의합니다.
• 해상도 불가지론: 이 연속 커널들은 특정 입력 데이터의 해상도에서만 이산화됩니다. 이를 통해 동일한 모델 파라미터를 다양한 해상도(예: 서로 다른 뷰 수 또는 검출기 빈 수)의 입력에 적용하면서도, 물리적 도메인에 대한 일관된 수용 영역(receptive field)을 유지할 수 있습니다.
• 수렴성: DISCO는 이산화 수렴성(discretization-convergent)이 증명되었으며, 이는 해상도에 관계없이 근사 오차가 유계(bounded)되어 있고 해상도가 높아짐에 따라 0으로 수렴함을 의미합니다.

3. 주요 기여

1. 뉴럴 오퍼레이터의 최초 SVCT 적용: CTO는 희소 뷰 CT에 뉴럴 오퍼레이터를 활용한 최초의 프레임워크로, 재학습 없이 다양한 측정 샘플링 레이트와 이미지 해상도에 걸쳐 일반화가 가능합니다.
2. 결합된 공간-주파수 사이노그램 학습: 저자들은 CT 회전 기하학과 획득 물리를 준수하는 이중 도메인 오퍼레이터를 도입하였으며, 이는 FBP에서 영감을 받은 공간 처리와 주파수 도메인 학습을 결합합니다.
3. 내재적 해상도 및 회전 불가지론: DISCO 오퍼레이터를 통해 함수 공간에서 학습함으로써, CTO는 일관된 재구성을 달성합니다. 설계 단계부터 특정 패딩 기법을 통해 회전 등변성을 갖도록 하여, 다양한 획득 각도에 대한 견고성을 높였습니다.
4. 통합된 함수 공간 공식화: 각 샘플링 레이트마다 별도의 이산 모델을 학습하는 대신, CTO는 하나의 연속 오퍼레이터를 학습하며 이로부터 다양한 이산화를 샘플링할 수 있어 다중 레이트 재구성과 교차 이산화 일관성을 가능하게 합니다.

4. 실험 결과

저자들은 AAPM Low-Dose Abdominal CT 및 Kidney CT 데이터셋을 사용하여 CTO를 학습이 없는 방법(FBP, SART), 단일 패스 딥러닝 모델(DuDoTrans, GloReDi), 언롤드 네트워크(Learned Primal-Dual, LEARN, RegFormer), 그리고 확산 기반 방법(DPS, ALD)과 비교 평가하였습니다.

• 다중 레이트 성능: CTO는 단일 모델을 사용하여 다중 레이트 데이터(9, 18, 36, 72 뷰)로 학습되었습니다. CTO는 모든 샘플링 레이트에서 모든 베이스라인을 일관되게 능가했습니다.
  • Kidney 데이터셋에서 CTO는 언로들드 CNN 베이스라인 대비 평균 4 dB의 PSNR 이득을, 확산 방법 대비 3 dB, 트랜스포머 기반 방법 대비 5 dB의 이득을 달보았습니다.
  • Abdomen 데이터셋에서 CTO는 언롤드 CNN 베이스라인 대비 3 dB의 PSSR 이득을, 확산 및 트랜스포머 베이스라인 대비 6 dB의 이득을 보였습니다.
• 제로샷 초해상도(Zero-Shot Super-Resolution): CTO는 미세 조정 없이 높은 해상도로의 강력한 일반화 능력을 입증했습니다. 256×256으로 학습된 모델을 512×512 이미지에 테스트했을 때, CNN 베이스라인은 흐릿함과 에일리어싱(aliasing) 현상을 겪은 반면, CTO는 선명한 디테일을 유지하며 CNN 베이스라인 대비 3 dB의 PSNR 이득을 기록했습니다.
• 효율성: 최첨단 확산 방법들과 비교했을 때, CTO는 대등하거나 우수한 재구성 품질을 달성하면서도 500배 빠른 추론 속도를 제공합니다. 확산 모델과 달리 CTO는 레이트별 하이퍼파라미터 튜닝이 필요하지 않습니다.
• 견고성: CTO는 교차 데이터셋 전이(Kidney에서 AAPM으로) 및 노이즈가 있는 사이노그램 데이터 환경에서도 강력한 분포 외(OOD) 견고성을 보여주었습니다.

5. 의의 및 주장

본 논문은 CTO를 유연한 CT 재구성을 위한 원칙적이고 실용적인 패러다임으로 제시합니다. CTO의 주요 의의는 현재의 딥러닝 접근 방식이 겪고 있는 "이산화 결속(discretization binding)" 문제를 극복했다는 점에 있습니다. 이산 격리 기반 학습에서 함수 공간 학습으로 전환함으로써, CTO는 다양한 획득 프로토콜(서로 다른 장기, 스캔 속도, 해상도)에 적응하기 위해 여러 특화된 모델을 학습하고 유지해야 하는 오버헤드 없이 통합된 모델을 사용할 수 있다는 임상적 요구를 해결합니다.

저자들은 CTO가 전통적인 CNN과 확산 모델에 대한 실행 가능한 대안으로서 뉴럴 오퍼레이터를 확립하며, 높은 충실도, 해상도 불가지론, 그리고 계산 효율성의 독특한 조합을 제공한다고 주장합니다. 이 연구는 향후 임상 적용에서 CT 획득 설정의 다양하고 역동적인 특성을 처리할 수 있는 단일하고 확장 가능한 모델이 큰 혜택을 줄 수 있음을 시사합니다.