기술 요약: 다중 대조도 MRI 재구성을 위한 주파수 오차 유도형 언더샘플링 최적화

1. 문제 정의

자기공명영상(MRI)은 임상 진단에 필수적이지만, 긴 획득 시간과 움직임 아티팩트로 인해 제약을 받는다. 다중 대조도 MRI(Multi-Contrast MRI, MC-MRI) 재구성은 완전 샘플링된 참조 스캔(예: T2 강조 영상을 재구성하기 위해 T1 강조 영상 활용)으로부터 보완적인 정보를 활용함으로써 유망한 해결책을 제시하지만, 기존 방식들은 세 가지 결정적인 한계에 직면해 있다:

1. 피상적인 참조 정보 융합: 현재의 방법들은 주로 참조 영상과 대상 영상의 단순 결합에 의존하며, 이는 교차 대조도 간의 구조적 상관관계와 보완적인 시맨틱 정보를 효과적으로 활용하지 못한다.
2. 정보 활용의 불충분: 고정된 사전 정의된 언더샘플링 패턴(마스크)은 가용 k-스페이스 정보를 완전히 활용하는 능력을 제한하며, 샘플링 전략과 재구성 네트워크 간의 잠재적 상호작용을 무시한다.
3. 물리적 해석 가능성의 결여: 순수 데이터 기반 딥러닝 모델은 도메인 특화된 물리적 제약 조건이 부족하여, MRI 획득 원칙과의 불일치가 발생하고 해석 가능성이 떨어진다.

2. 방법론: JUF-MRI 프레임워크

저자들은 MC-MRI를 위해 언더샘플링 패턴과 재구성 네트워크를 공동으로 최적화하는 두 단계의 딥 언폴딩(deep unfolding) 프레임워크인 JUF-MRI(Joint Under-sampling optimization with Frequency error for MC-MRI)를 제안한다.

1단계: 주파수 오차 사전 정보(Frequency Error Prior, FEP) 생성

복구가 어려운 모달리티 특유의 특징을 포착하기 위해, 저자들은 **조건부 확산 모델(Conditional Diffusion Model, CDM)**을 채택한다.

• 과정: CDM은 참조 모달리티로부터 대상 모달리티를 합성한다.
• FEP 도출: 합성된 영상과 정답(ground-truth) 대상 영상에 각각 고속 푸리에 변환(FFT)을 적용한다. 주파수 영역에서의 절대적 차이가 **주파수 오차 사전 정보($r$)**를 정의한다.
• 의의: 이 오차 맵($r$)은 참조 정보가 대상 영상을 재구성하기에 불충분한 영역을 강조하며, 어떤 k-스페이스 샘플링 지점이 가장 중요한지에 대한 가이드 역할을 한다.

2단계: 공동 최적화

FEP($r$)는 샘플링 마스크와 재구성 네트워크를 모두 최적화하기 위해 통합된 프레임워크 내로 통합된다.

1. 연속 샘플링 마스크(Continuous Sampling Mask, CSM) 획득: 샘플링 변조 행렬을 초기화하고 정규화된 FEP($r$)와 결합하여 연속 샘플링 마스크($M_c$)를 생성한다. 이를 통해 훈련 과정 중 마스크의 미분 가능한 최적화가 가능하다.
2. 공동 최적화: 재구성 네트워크 파라미터($\theta$)와 연속 마스크($M_c$)는 재구성된 영상과 정답 사이의 차이를 최소화하는 손실 함수를 사용하여 공동으로 최적화된다.
3. 이진화 및 미세 조정: 공동 최적화 후, 정해진 희소성 수준을 보장하기 위해 가중 평균과 이진 탐색을 통해 이산 샘플링 마스크($M_d$)를 도출한다. 그 후, 고정된 이산 마스크를 사용하여 재구성 네트워크를 미세 조정한다.

재구성 네트워크 아키텍처

재구성 네트워크는 관성 블록 주요화 최소화(Inertial Block Majorization Minimization, TITAN) 알고리즘을 언롤링(unrolling)한 모델 구동형 딥 언폴딩 아키텍처로 구축된다. 주요 구성 요소는 다음과 같다:

• 목적 함수: 영상 및 k-스페이스 영역 모두에서 데이터 충실도 항(data fidelity terms)을 포함하며, 공간 정렬 항과 특징 분해 항을 포함한다.
• 공간 정렬 모듈(Spatial Alignment Module, SANet): 변형 적응형 샘플러(Deformable Adaptive Sampler, DAS)를 사용하여 참조 영상을 대상 영상과 정렬함으로써, MC-MRI에서 흔히 발생하는 공간적 불일치 문제를 완화한다.
• 참조 특징 분해: 정렬된 참조 영상을 일관된 성분($S$, 대상과 관련된 성분)과 불일치하는 성분($D$, 대상과 무관한 성분)으로 분해하여, 관련 없는 정보가 재구성을 방해하는 것을 방지한다.
• 주파수 영역 손실: 저주파 및 고주파 성분의 오차를 명시적으로 분리하고 처벌하는 결합된 주파수 영역 손실 함수를 제안하며, 이는 기존 방법들의 고질적인 문제인 미세 구조 복구 저하 문제를 해결한다.

3. 주요 기여

1. 새로운 프레임워크: 주파수 오차 사전 정보에 의해 유도되는 언더샘플링 패턴과 재구성 네트워크를 공동으로 최적화하는 딥 언폴딩 프레임워크인 JUF-MRI를 도입하였다.
2. FEP 생성: 대상 모달리티의 고유한 특징을 포착하는 주파수 오차 사전 정보를 생성하기 위해 조건부 확산 모델을 사용하는 새로운 접근 방식을 제시하였으며, 이는 샘플링 최적화를 위한 가이드 역할을 한다.
3. 고급 재구성 네트워크: 물리적 해석 가능성과 재구성 품질을 높이기 위해 k-스페이스 데이터를 목적 함수에 명시적으로 통합하고, 공간 정렬 및 특징 분해를 사용하는 딥 언폴딩 네트워크를 개발하였다.
4. 주파수 인지 손실: 저주파 및 고주파 오차 최소화의 균형을 맞춤으로써 미세 구조의 복구를 개선하도록 설계된 결합된 주파수 영역 손실 함수를 제안하였다.

4. 실험 결과

본 프레임워크는 세 가지 데이터셋(IXI, BraTS2018, FastMRI)에 대해 다양한 가속률(4× ~ 30×) 및 샘플링 방식(1D 등간격 및 학습된 방식)을 적용하여 검증되었다.

• 정량적 성능: JUF-MRI는 PSNR, SSIM, RMSE 측면에서 최신 기술(UNet, MDUNet, Restormer, VANet, MC-DuDoN 포함)보다 일관되게 우수한 성능을 보였다.
  • 4× 가속도에서 학습된 마스크를 사용한 IXI 데이터셋의 경우, JUF-MRI는 54.23 dB PSNR을 달 정도로 우수했으며, 이는 차순위 방법(LOUPE를 사용한 MC-DuDoN)보다 0.31 dB 높은 수치이다.
  • 고가속(30×) 상황에서도 J-UF-MRI는 우수한 성능을 유지하며 극한의 언더샘플링 조건에서도 견고함을 입증하였다.
• 시각적 품질: 정성적 비교 결과, JUF-MRI는 베이스라인 모델들에 비해 더 명확한 경계, 회백질과 백질 사이의 더 나은 대비, 그리고 미세한 해부학적 세부 사항(예: 교모세포종의 괴사 중심부)의 더 정확한 복구를 보여주었다. 오차 맵 또한 정답과의 전반적인 불일치가 더 낮음을 나타냈다.
• 효율성: 반복적인 언폴딩 설계로 인해 이론적 FLOP 수는 높지만, JUF-MRI는 RTX 3090 GPU에서 106.59 ms의 실행 시간을 달 기록했다. 또한 2.11 M개의 파라미터만을 사용하여, Restormer(26.10 M)와 같은 대규모 모델보다 훨씬 적은 파라미터를 사용하면서도 매우 효율적이었다.
• 통계적 유의성: 쌍체 t-검정(Paired t-tests) 결과, 대부분의 시나리오에서 JUF-MRI의 성능 향상이 다른 방법들과 비교했을 때 통계적으로 유의미함($p < 0.001$)을 확인하였다.

5. 의의 및 주장

본 논문은 JUF-MRI가 물리적 k-스페이스 특성과 데이터 기반 딥러닝 사이의 간극을 메움으로써 현재 MC-MRI 재구성의 근본적인 한계를 해결한다고 주장한다.

• 물리적 해석 가능성: 모델 구동형 최적화(TITAN)를 데이터 기반 학습과 결적으로 결합하고 k-스페이스 제약 조건을 명시적으로 포함함으로써, 이 프레임워크는 물리적으로 해석 가능한 솔루션을 제공한다.
• 효율적 샘플링: FEP 유도형 공동 최적화를 통해 모델이 정보가 풍부한 k-스페이스 영역을 우선시하는 샘플링 패턴을 학습할 수 있게 하여, 중복성을 줄이고 샘플링 효율을 높인다.
• 임상적 잠재력: 높은 재구성 정확도, 낮은 파라미터 수, 실용적인 추론 속도의 결합은 J-UF-MRI를 메모리 제약과 획득 시간이 중요한 임상 시스템에 배치 가능한 유망한 후보로 만든다.

저자들은 훈련 중 CDM의 계산 오버헤드와 현재 단일 코일 데이터셋에 의존하고 있다는 점을 한계로 인정하며, 향후 연구는 확산 모델의 최적화와 프레임워크를 멀티 코일 시나리오로 확장하는 데 집중할 것임을 시사하였다.