SDUM: A Scalable Deep Unrolled Model for Universal MRI Reconstruction

이 논문은 다양한 MRI 프로토콜과 가속화 요인에 대해 별도의 미세 조정 없이도 최첨단 재구성 성능을 달성하는 확장 가능한 범용 딥러닝 모델인 SDUM을 제안하고, 그 성능이 모델 깊이와 함께 예측 가능하게 향상됨을 입증합니다.

핵심

심장 MRI 의 '만능 요리사' SDUM: 복잡한 상황을 한 번에 해결하다

이 논문은 SDUM(Scalable Deep Unrolled Model) 이라는 새로운 인공지능 모델을 소개합니다. 이 모델은 심장 MRI(자기공명영상) 를 찍을 때 생기는 흐릿한 그림을 선명하게 만드는 역할을 합니다.

기존의 AI 들은 "이런 조건일 때는 A 방식, 저런 조건일 때는 B 방식"처럼 상황마다 다른 모델을 따로따로 만들어야 했습니다. 하지만 SDUM 은 **모든 상황을 한 번에 해결할 수 있는 '만능 요리사'**와 같습니다.

이 모델이 어떻게 작동하는지, 왜 중요한지 일상적인 비유로 설명해 드릴게요.

---

1. 문제: 너무 다양한 '요리 레시피'들

심장 MRI 를 찍을 때는 환자마다, 병원에 따라, 기계마다 조건이 천차만별입니다.

• 재료: 성인, 어린이, 다양한 질병 환자.
• 기계: 1.5 테슬라, 3 테슬라, 심지어 5 테슬라까지 다양한 세기의 자석.
• 방법: 스캔하는 속도, 방향, 패턴이 모두 다릅니다.

기존의 AI 는 이 중 하나에 맞춰 훈련하면, 다른 조건이 나오면 엉망이 되었습니다. 마치 한국 김치찌개만 잘 만드는 요리사가 갑자기 이탈리아 파스타를 만들라고 하면 실패하는 것과 비슷합니다. 병원마다 다른 기계를 쓰니, AI 를 계속 새로 만들어야 하는 번거로움이 있었습니다.

2. 해결책: SDUM, '모든 요리를 다 하는 천재 요리사'

SDUM 은 이 문제를 해결하기 위해 5 가지 핵심 기술을 섞어 만들었습니다.

① '레시피'를 읽는 눈 (Universal Conditioning)

SDUM 은 요리를 시작하기 전에 "오늘은 어떤 재료를 썼고, 어떤 기계로 찍었는지"를 먼저 확인합니다.

• 비유: 요리사가 "오늘은 김치를 넣는 거야, 아니면 파스타 소스를 넣는 거야?"를 먼저 물어보고, 그에 맞춰 조리법을 즉시 바꾸는 것과 같습니다. 이 덕분에 하나의 모델이 모든 종류의 MRI(심장, 뇌, 다양한 환자) 에도 적응할 수 있습니다.

② 흐릿한 그림을 잡는 안경 (Sampling-aware Weighted Data Consistency)

MRI 는 정보를 일부만 찍어서 (빠르게 찍기 위해) 원래 그림이 찢어지거나 흐릿하게 나옵니다.

• 비유: 퍼즐 조각이 일부만 주어졌을 때, 빈 공간에 무작위로 그림을 그리는 게 아니라, "어떤 조각이 빠졌는지 정확히 알고 그 빈자리를 채우는" 기술입니다. SDUM 은 어떤 패턴으로 정보가 빠져나갔는지 분석해서, 그 부분에 맞춰 가장 정확하게 그림을 복원합니다.

③ 실시간으로 수정하는 안경 (Learned Coil Sensitivity)

MRI 기계의 센서 (코일) 가 약해지거나 환자가 움직이면 그림이 왜곡됩니다.

• 비유: 기존 방법은 안경이 흐릿해지면 처음부터 다시 고쳐야 했지만, SDUM 은 요리하는 도중에도 "아, 지금 안경이 흐릿하네?" 하고 실시간으로 안경을 닦고 수정합니다. 그래서 환자가 움직여도 선명한 그림을 유지합니다.

④ 깊은 생각의 층 (Deep Unrolled Model)

그림을 한 번에 바로 그리는 게 아니라, 여러 단계 (18 단계) 에 걸쳐 점점 더 선명하게 다듬습니다.

• 비유: 초보 화가가 스케치를 하고, 전문가가 수정하고, 다시 마스터가 다듬는 과정처럼, 여러 번의 '검토' 과정을 거치며 점점 더 완벽한 그림을 만들어냅니다.

⑤ 계속 성장하는 능력 (Scalability)

이 모델은 데이터가 많아지거나, 단계가 깊어질수록 계속 똑똑해집니다.

• 비유: 요리사가 더 많은 재료를 배우고, 더 많은 연습을 할수록 요리 실력이 기하급수적으로 늘어난다는 뜻입니다. 연구진은 이 모델이 18 단계까지 깊어질수록 성능이 꾸준히 좋아진다는 것을 증명했습니다.

---

3. 놀라운 성과: "한 번만 훈련하면 끝!"

이 모델은 실제로 심한 테스트를 통과했습니다.

• CMRxRecon 2025 대회: 전혀 보지 못한 병원, 전혀 보지 못한 환자, 전혀 다른 기계에서 찍은 데이터도 다른 전문 모델들보다 더 잘 복원했습니다.
• **제로샷 **(Zero-shot) 심장 MRI 로 훈련했는데, 뇌 MRI나 CEST(뇌 종양 검사) 같은 완전히 다른 검사에도 훈련 없이 바로 적용해서 좋은 결과를 냈습니다.
  • 비유: "한국 요리만 배운 요리사가, 갑자기 태국 요리를 시키자마자 그 나라의 맛집 요리사처럼 요리를 해냈다"는 뜻입니다.

4. 결론: 왜 이 연구가 중요할까요?

기존에는 병원마다, 검사마다 AI 모델을 따로 만들어야 해서 비용이 많이 들고 시간이 걸렸습니다. 하지만 SDUM은 하나의 모델로 모든 상황을 해결할 수 있게 해줍니다.

• 간단히 말해: "하나의 AI 가 모든 병원의 모든 MRI 를 선명하게 만들어준다."
• 미래: 앞으로는 환자가 어떤 병원에 가도, 어떤 기계를 써도 AI 가 똑같이 정확한 진단을 도와줄 수 있게 될 것입니다.

이 연구는 AI 가 단순히 특정 작업만 잘하는 것을 넘어, **의학 영상 분야에서 진정한 '범용 **(Universal)로 발전할 수 있는 길을 열었다는 점에서 매우 의미가 큽니다.

기술 요약

1. 문제 정의 (Problem Statement)

심장 MRI(CMR) 는 다양한 대비 (Contrast), 샘플링 궤적, 가속도, 스캐너, 환자 군을 포괄하는 임상적 표준이지만, 기존의 딥러닝 기반 재구성 방법들은 대부분 특정 프로토콜에 종속적입니다.

• 현재의 한계: 한 프로토콜 (예: 특정 샘플링 마스크나 가속도) 으로 학습된 모델은 acquisition 조건이 변경되면 성능이 급격히 저하됩니다. 이는 다중 기관 임상 환경에서의 배포를 어렵게 만듭니다.
• 핵심 과제: 단일 모델이 프로토콜별 재학습 없이도 이질적인 입력 (다양한 대비, 궤적, 스캐너, 가속도, 인구 통계) 에 대해 강건하게 작동하는 범용 심장 MRI 재구성 모델의 부재.
• 스케일링의 부재: NLP 나 컴퓨터 비전 분야에서는 모델 크기, 데이터 양, 연산량에 따른 성능 향상을 예측하는 '스케일링 법칙'이 존재하지만, MRI 재구성 분야에서는 이러한 지침이 부족하여 모델 설계와 자원 할당이 시행착오에 의존하고 있습니다.

2. 제안 방법: SDUM (Scalable Deep Unrolled Model)

저자들은 단일 모델이 프로토콜 물리 조건에 조건부 (Conditioned) 로 학습된다는 가설 하에 SDUM을 제안했습니다. 이는 5 가지 시너지 요소를 통합한 확장 가능한 딥 언롤링 (Deep Unrolled) 프레임워크입니다.

주요 구성 요소

1. Restormer 기반 재구성 백본 (Backbone):
   • 기존 CNN 기반보다 효율적인 메모리 사용과 장기적 의존성 (Aliasing 해체) 및 국소적 구조 (에지 보존) 를 동시에 포착하기 위해 Restormer 아키텍처를 채택했습니다.
   • 얕은 2 단계 피라미드 구조를 사용하여 고해상도 세부 정보를 유지하면서도 전역 컨텍스트를 집계합니다.
2. 학습 가능한 캐스케이드별 코일 감도 맵 추정 (Learned per-cascade CSME):
   • 기존에 고정된 코일 감도 맵 (CSM) 대신, 각 캐스케이드 (단계) 마다 U-Net 기반 추정기를 통해 CSM 을 실시간으로 정제합니다.
   • 이는 운동, 노이즈, 자기장 불균일성으로 인한 오차를 보정하며, ACS (Autocalibration Signal) 영역에 의존하지 않습니다.
3. 샘플링 인식 가중 데이터 일관성 (Sampling-Aware Weighted Data Consistency, SWDC):
   • 기존 스칼라 가중치 대신, 샘플링 패턴에 조건부인 공간적으로 변하는 k-공간 가중도 맵을 학습합니다.
   • 카테시안 및 비카테시안 궤적을 하나의 학습 가능한 모듈로 통합하여, 샘플링 밀도와 노이즈 특성을 고려한 정밀한 데이터 일관성을 보장합니다.
4. 범용 조건부 메커니즘 (Universal Conditioning, UC):
   • 캐스케이드 인덱스 ($t$) 와 프로토콜 메타데이터 (마스크 유형, 가속도, 모달리티) 를 **사인파 임베딩 (Sinusoidal Embedding)**과 MLP 를 통해 벡터로 변환합니다.
   • 이 벡터를 Restormer 의 모든 블록에 주입하여, 단일 모델이 다양한 acquisition 조건에 적응하도록 합니다.
5. 점진적 캐스케이드 확장 (Progressive Cascade Expansion):
   • 깊은 모델 학습의 안정성을 위해 캐스케이드 깊이를 점진적으로 늘리는 커리큘럼 학습을 적용합니다.
   • 시작과 끝 캐스케이드는 고정하고 내부 캐스케이드만 복제하여 깊이를 늘리는 방식으로, 최적화를 안정화하고 기존 가중치를 재사용합니다.

3. 주요 기여 및 실험 결과 (Key Contributions & Results)

성능 평가 (CMRxRecon Challenge)

• CMRxRecon2025: 단일 SDUM 모델 ($T=18$) 이 모든 4 개 트랙 (다중 기관, 다중 질병, 5T, 소아) 에서 Task-specific Fine-tuning 없이 SOTA 성능을 달성했습니다.
  • Regular Task 1 (다중 기관): PromptMR+ 대비 +0.26 dB 향상.
  • Special Task (5T, 소아): 기존 방법 대비 최대 +1.0 dB 향상.
• CMRxRecon2024: PromptMR+ (2024 우승 모델) 대비 Task 1 에서 +0.55 dB, Task 2 에서 +0.136 dB 향상. 검증 세트의 90% 이상에서 PromptMR+ 를 능가했습니다.

Zero-Shot 및 일반화 능력

• CEST MRI (Zero-Shot): 훈련 데이터에 없는 인하우스 CEST MRI (3T Philips, 뇌종양) 에 대해 미세 조정 없이 적용했을 때 43.57 dB PSNR과 0.9769 SSIM을 기록하며 강력한 제로샷 일반화 능력을 입증했습니다.
• fastMRI Brain: 심장 MRI 에서 학습된 설계 원리가 뇌 MRI 로도 전이 가능함을 보였습니다. fastMRI 뇌 데이터에서 PC-RNN 대비 +1.8 dB 향상.

스케일링 분석 (Scaling Analysis)

• 깊이 (Depth) 스케일링: 캐스케이드 수 ($T$) 를 1 에서 18 까지 늘렸을 때, 파라미터 수의 로그에 비례하여 PSNR 이 선형적으로 증가했습니다 ($r=0.986, R^2=0.973$). 이는 깊이를 늘리는 것이 성능 향상에 효과적임을 시사합니다.
• 데이터 스케일링: 학습 데이터 양을 40% 에서 100% 로 늘렸을 때 성능은 지속적으로 향상되었으나 (32.72 dB $\to$ 33.18 dB), 한계 수렴 현상이 관찰되었습니다. 이는 단순한 데이터 양 증가보다는 데이터의 다양성 (다양한 벤더, 궤적, 병리 등) 확보가 중요함을 의미합니다.

4. 의의 및 결론 (Significance)

• 범용 MRI 재구성 모델의 실현: SDUM 은 단일 모델로 다양한 심장 MRI 프로토콜과 이질적인 acquisition 조건을 처리할 수 있는 최초의 범용 프레임워크를 제시했습니다.
• 확장 가능한 아키텍처: Restormer 기반의 효율적인 설계와 점진적 학습 전략을 통해, 모델 깊이와 데이터 다양성을 조절함으로써 성능을 예측 가능하게 확장할 수 있음을 입증했습니다.
• 임상적 가치: 프로토콜별 재학습 없이도 다양한 병원, 장비, 환자 군에 적용 가능한 모델은 임상 현장에서의 MRI 재구성 자동화와 진단 정확도 향상에 큰 기여를 할 것으로 기대됩니다.

이 연구는 MRI 재구성 분야에서 "Foundation Model" 접근법의 가능성을 열었으며, 향후 더 일반화된 의료 영상 재구성 시스템 개발의 토대를 마련했습니다.