Towards reconstructing experimental sparse-view X-ray CT data with diffusion models

논문 요약: 확산 모델을 활용한 실험적 희소 뷰 X-ray CT 데이터 재구성

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 방사선량과 스캔 시간을 줄이기 위해 희소 뷰 (sparse-view) X-ray CT 재구성이 중요해지고 있으며, 최근 확산 모델 (Diffusion Models) 이 이러한 비정상적 역문제 (ill-posed inverse problem) 의 해결책으로 주목받고 있습니다.
• 핵심 문제: 기존 확산 모델 기반 연구는 대부분 합성 데이터 (synthetic data) 에 기반하고 있습니다. 그러나 실제 실험 데이터에 적용할 때 두 가지 주요 불일치 (mismatch) 로 인해 성능이 저하됩니다.
  1. 도메인 시프트 (Domain Shift): 학습 데이터 (이상적인 합성 이미지) 와 실제 실험 대상 (물리적 팬텀) 간의 분포 차이.
  2. 전진 모델 불일치 (Forward Model Mismatch): 수학적 전진 연산자 (Forward Operator) 와 실제 물리적 획득 과정 (기하학적 오차, 빔 경화, 산란, 복잡한 노이즈 등) 간의 차이.
• 목표: 합성 데이터에서 실험 데이터로의 성능 전이가 어떻게 이루어지는지 분석하고, 실제 환경에서의 재구성 성능을 향상시킬 수 있는 전략을 제시하는 것.

2. 방법론 (Methodology)

• 실험적 팬텀 설계: 표준 Shepp-Logan (SL) 팬텀과 유사하지만 레이저 커팅으로 제작된 물리적 팬텀 (PMMA 판에 타원형 구멍) 을 제작하여 실험 데이터를 획득했습니다.
• 학습 데이터셋 구성: 도메인 시프트의 영향을 분석하기 위해 세 가지 다른 훈련 데이터셋을 생성했습니다.
  1. Standard SL ($X_{std}$): 이상적인 합성 SL 팬텀 기반.
  2. Experimental SL ($X_{exp}$): 제작된 물리적 팬텀의 기하학적 특성을 반영한 데이터.
  3. Mixed SL ($X_{mix}$): 이상적 SL 과 실험적 SL 을 혼합한 다양한 분포의 데이터.
• 재구성 파이프라인:
  • 확산 사전 (Diffusion Priors): 위 세 가지 데이터셋으로 각각 훈련된 사전 모델 ($f_{std}, f_{exp}, f_{mix}$) 을 사용.
  • 샘플링 알고리즘: Decomposed Diffusion Sampling (DDS) 방식을 채택. 확산 사전의 방향과 측정 데이터의 일치성 (Likelihood) 을 결합하여 재구성 수행.
  • 전진 연산자: 실제 실험 설정 (팬-빔 기하학, 희소 뷰) 을 모사.
• 평가 영역: 이상적 시뮬레이션부터 CAD 시뮬레이션, 전체 뷰 재구성 기반 시뮬레이션, 그리고 실제 실험 측정 데이터까지 점진적으로 난이도가 높은 4 가지 도메인에서 평가.

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

가. 학습 분포의 영향 (Training Distribution Impact)

• 결론: "잘 맞는 좁은 사전 (Well-matched but narrow prior)"보다 "다양한 사전 (Diverse prior)"이 실제 실험 데이터에서 더 강력한 성능을 발휘합니다.
• 세부 내용:
  • 이상적인 합성 데이터에서는 표준 SL 사전 ($f_{std}$) 이 가장 좋았으나, 실험적 팬텀으로 갈수록 기하학적 불일치로 인해 성능이 급격히 떨어졌습니다.
  • 반면, 혼합 사전 ($f_{mix}$) 은 다양한 구조를 학습했기 때문에 실험적 팬텀에서도 특화된 사전 ($f_{exp}$) 보다 우수한 재구성 성능 (약 5dB PSNR 향상) 을 보였습니다.
  • 이는 좁은 사전이 데이터 일관성과 사전 준수 사이에서 균형을 잡지 못해 잔류 스트리크 (streak) 아티팩트를 남기는 반면, 넓은 지지대 (broad support) 를 가진 사전이 이를 완화하여 자연스러운 해를 찾게 함을 시사합니다.

나. 전진 모델 불일치의 영향 (Forward Model Mismatch Impact)

• 결론: 전진 모델 불일치는 단순한 스트리크 아티팩트를 넘어 구조적 왜곡 (Structural Misalignment) 을 유발합니다.
• 세부 내용:
  • 실제 실험 데이터 ($y_{exp}$) 에서는 전진 모델의 물리적 오차로 인해 확률적 샘플링 경로가 사전 다양성 (Prior Manifold) 에서 벗어나게 됩니다.
  • 이로 인해 솔버는 데이터 일관성을 맞추기 위해 특징을 물리적으로 불일치하는 방향으로 왜곡시키는 할루시네이션 (Hallucination) 현상이 발생합니다.
  • 재구성 해상도를 높여도 (128x128 $\to$ 512x512) 성능 격차는 완전히 사라지지 않아, 물리적 모델 오차가 주요 오차 원인임을 확인했습니다.

다. 추론 전략의 최적화 (Inference Design & Annealing)

• 결론: 고정된 확률 가중치 (Constant Likelihood Weight) 는 실험 데이터에서 실패하며, 애닐링 (Annealing) 선형 감쇠 스케줄이 필수적입니다.
• 세부 내용:
  • 문제: 시뮬레이션에서는 높은 가중치 ($\gamma$) 가 좋은 성능을 내지만, 실험 데이터에서는 모델이 물리적 오차에 과도하게 적합 (Overfitting) 되어 성능이 급감 (PSNR 26.82dB $\to$ 14.07dB) 합니다.
  • 해결책: 초기 고노이즈 단계에서는 높은 가중치로 전역 기하학을 고정하고, 후기 단계에서는 가중치를 점진적으로 낮추어 (Annealing) 사전 모델이 노이즈를 억제하고 세부 사항을 완성하도록 유도합니다.
  • 성능: 선형 감쇠 스케줄은 계산 비용이 적은 적은 샘플링 단계 (NFE=100) 에서도 고정 스케줄의 NFE=1000 보다 우수한 SSIM 을 기록하며, 실험적 CT 에 실용적인 대안을 제시합니다.

4. 의의 및 결론 (Significance & Conclusion)

• 실증적 통찰: 확산 모델 기반 재구성의 성능 향상은 합성 데이터에서 실험 데이터로 즉시 전이되지 않으며, 도메인 시프트와 전진 모델 불일치를 동시에 고려해야 함을 증명했습니다.
• 다양성의 중요성: 특정 대상에 최적화된 좁은 사전보다는 다양한 구조를 학습한 폭넓은 사전이 실제 세계의 불확실성에 더 강건함을 보였습니다.
• 실용적 제안: 물리적 불일치를 해결하기 위해 애닐링된 확률 가중치 스케줄링을 도입함으로써, 계산 효율성을 높이면서도 아티팩트와 할루시네이션을 줄일 수 있는 구체적인 전략을 제시했습니다.
• 미래 과제: 2D 팬텀 기반의 통제된 실험이었으나, 향후 3D 적용, 복잡한 텍스처, 극심한 노이즈 환경에서의 검증 및 더 정교한 평가 지표 개발이 필요함을 강조했습니다.

이 논문은 확산 모델을 실제 의료/산업용 CT 에 적용하기 위해 넘어야 할 'Sim-to-Real' 간극을 체계적으로 분석하고, 이를 극복하기 위한 데이터 전략과 추론 알고리즘 개선 방향을 제시했다는 점에서 의의가 큽니다.