[기술 요약] 이중 모델 접근법을 이용한 토모그래피의 자동 정규화 파라미터 선택

1. 문제 정의 (Problem Statement)

X-선 토모그래피(CT) 영상 재구성 문제는 데이터가 불완전하거나 노이즈가 포함된 경우 **부적정 역문제(Ill-posed inverse problem)**가 됩니다. 이를 해결하기 위해 수치적 안정성을 확보하고자 **정규화(Regularization)**를 사용하며, 이때 데이터 충실도(Data fidelity)와 사전 정보(A priori information) 사이의 균형을 결정하는 정규화 파라미터 $\alpha$를 선택하는 것이 핵심입니다.

기존의 방식들은 다음과 같은 한계가 있습니다:

• L-curve/교차 검증: 그리드 탐색에 의존하며 특징 검출이 불안정함.
• 불일치 원리(Discrepancy Principle): 정확한 노이즈 수준($|\eta|$)을 미리 알아야 함.
• 데이터 기반 방식(Deep Learning): 방대한 학습 데이터가 필요하며 해석 가능성이 낮음.

2. 제안 방법론 (Methodology)

본 논문은 정규화 파라미터 선택을 정적인 추정 문제가 아닌, **폐루프 제어 문제(Closed-loop control problem)**로 재정의하는 혁신적인 접근법을 제안합니다.

핵심 개념: 이중 모델 전략 (Double Model Strategy)

동일한 시노그램(Sinogram) 데이터를 사용하되, 서로 다른 두 개의 기하학적 격자(Grid)에서 재구성을 수행합니다.

1. 이중 재구성: 기본 연산자 $A$와 회전된 연산자 $A_\theta$를 사용하여 두 개의 해($x_1, x_2$)를 구합니다.
2. 일관성 측정 (Sensing): 두 격자 간의 이산화 오차(Discretization error)는 서로 상관관계가 낮습니다. 정규화가 부족하면 이 오차가 노이즈/아티팩트로 나타나 두 영상의 유사도가 낮아지지만, $\alpha$가 증가함에 따라 두 영상은 격자에 독립적인 공통 신호로 수렴하며 유사도가 높아집니다.
3. 피드백 제어 (Control): 구조적 유사도 지수(SSIM)를 피드백 신호로 사용하여, 사용자가 설정한 목표 유사도($S_{ref}$)에 도달할 때까지 $\alpha$를 동적으로 조정합니다.

알고리즘 특징

• 로그 도메인 P-제어 (Log-domain P-Control): $\alpha$의 스케일 변화를 효과적으로 다루기 위해 $\log_{10}(\alpha)$ 영역에서 비례 제어(Proportional Control)를 수행합니다.
• 단조성 가정 (Monotonicity Assumption): $\alpha$가 증가함에 따라 격자 간 일관성($S(\alpha)$)이 단조 증가한다는 점을 이용하여, 과도한 정규화(Over-regularization)가 일어나기 전의 '상승 곡선' 구간에서 동작을 멈춥니다.

3. 주요 기여 (Key Contributions)

• 제어 이론의 도입: 정규화 파라미터 선택을 '참조값 추적(Reference tracking)' 문제로 전환하여, 사용자의 작업 요구사항(노이즈 허용 범위 등)을 직관적으로 반영할 수 있게 했습니다.
• 이산화 오차의 역발상: 일반적으로 수치적 오류로 간주되는 격자 간 불일치를, 정규화 강도를 결정하는 유효한 피드백 신호로 활용했습니다.
• 범용성: 특정 정규화 함수(TV, Tikhonov)나 특정 솔버에 종속되지 않는 프레임워크를 구축했습니다.

4. 실험 결과 (Results)

두 가지 데이터셋(Walnut, Pine Cone)과 다양한 정규화 기법을 통해 검증하였습니다.

• 수렴성 및 안정성: Walnut(매끄러운 구조)과 Pine Cone(복잡한 고주파 구조) 데이터셋 모두에서 제어기가 안정적으로 목표 SSIM에 도달함을 확인했습니다.
• 솔버 독립성: TV(Total Variation) 정규화와 Tikhonov 정규화 모두에서 동일한 제어 로직이 효과적으로 작동했습니다.
• 비교 분석 (vs. 기존 방식):
  • L-curve 및 불일치 원리: 이 방식들은 지나치게 큰 $\alpha$를 선택하여 노이즈는 잘 잡지만, 영상의 세부 구조(Detail)를 손실시키는 경향이 있습니다.
  • 제안된 제어기: 사용자가 설정한 적절한 유사도 목표를 추적함으로써, 안정성(Stability)과 세부 정보(Detail) 사이의 파레토 최적(Pareto-like) 지점을 정밀하게 찾아냅니다.

5. 결론 및 의의 (Significance)

본 연구는 정규화 파라미터 선택을 "수학적 최적값 찾기"에서 **"사용자 정의 품질 사양 충족하기"**로 패러다임을 전환했습니다.

의의:

1. 해석 가능성: 사용자가 $S_{ref}$를 통해 원하는 영상의 품질(노이즈 vs 디테일)을 직접 제어할 수 있습니다.
2. 실용성: 정답(Ground Truth)이나 노이즈 수준을 모르는 실제 임상/산업 현장에서도 즉시 적용 가능한 자동화된 프로세스를 제공합니다.
3. 확장성: 향후 제한된 각도(Limited-angle) 촬영이나 금속 아티팩트 제거와 같은 더 어려운 역문제로 확장될 가능성이 높습니다.