3D CBCT Artefact Removal Using Perpendicular Score-Based Diffusion Models

이 논문은 2D 투영 간의 상관관계를 고려하지 않는 기존 방법의 한계를 극복하기 위해, 서로 다른 두 평면에서 학습된 수직 스코어 기반 확산 모델을 결합하여 치과 CBCT 영상의 임플란트 아티팩트를 제거하는 3D 인페인팅 기법을 제안하고 그 유효성을 입증합니다.

핵심

🦷 문제: "치과용 CT 의 눈가림 현상"

치과용 CT 는 치아와 턱뼈를 3D 로 찍어주는 아주 유용한 장비입니다. 하지만 환자가 치과 임플란트나 금속 보철물을 하고 있다면 문제가 생깁니다.

• 비유: 마치 강한 햇빛 아래서 금속 거울을 비추면 눈이 부셔 앞이 보이지 않는 것처럼, CT 기기는 금속을 통과하는 X 선을 제대로 받아내지 못합니다.
• 결과: 재구성된 3D 이미지에는 금속 주변에 **어지러운 줄무늬나 검은 얼룩 **(아티팩트)이 생깁니다. 이는 마치 사진이 흐릿하거나 찢어진 것처럼 보이며, 의사가 정확한 진단을 내리는 것을 방해합니다.

🛠️ 기존 방법의 한계: "조각조각 퍼즐 맞추기"

기존에는 이 얼룩을 지우기 위해 2D(평면)를 하나씩 따로따로 다듬는 방식을 썼습니다.

• 비유: 3D 입체 퍼즐을 풀 때, **각각의 조각 **(단면)을 따로따로 그려서 붙이는 것과 같습니다.
• 문제점: 각 조각을 따로 그리다 보니, 옆에 있는 조각과 연결되는 부분이 어색해지거나 3D 입체감이 깨지는 불일치가 발생합니다. 마치 3D 영화를 볼 때 한쪽 눈과 다른 쪽 눈의 이미지가 맞지 않아 어지러운 것과 비슷합니다.

✨ 새로운 해결책: "양쪽에서 동시에 보는 3D 마법"

이 논문에서 제안한 TPDM이라는 기술은 이 문제를 완전히 다르게 접근합니다. 두 개의 AI 모델이 서로 다른 각도에서 동시에 이미지를 복원하도록 돕습니다.

1. 두 명의 화가 (수직 모델)

이 기술은 두 명의 AI 화가를 고용합니다.

• 화가 A: 원래 촬영된 각도 (앞에서 본 시선) 로 그림을 그립니다.
• 화가 B: 화가 A 와 **수직 **(90 도)으로 그림을 그립니다.

2. 협업 과정 (퍼즐 맞추기)

이 두 화가는 혼자서 그리는 게 아니라 서로 대화하며 그림을 완성합니다.

• 비유: 한 화가가 "여기 이 부분이 어색해"라고 하면, 다른 화가가 "아, 옆에서 보면 이렇게 연결되는 게 자연스러워"라고 답하며 수정합니다.
• 효과: 이렇게 서로 다른 각도의 정보를 주고받으며 그림을 그리기 때문에, 최종적으로 완성된 3D 이미지는 매우 자연스럽고 일관성이 있습니다.

3. '확산 모델'이란 무엇인가? (소금과 물)

이 기술의 핵심인 '확산 모델 (Diffusion Model)'은 다음과 같이 작동합니다.

• 비유: 흐린 안개 속에서 물체를 상상하는 과정입니다. 처음에는 완전히 흐릿한 안개 (잡음) 가 있지만, AI 가 "이건 임플란트 자리가 아니야, 주변 뼈랑 비슷하게 만들어줘"라고 안개를 걷어내며 점점 선명한 이미지로 만들어갑니다.
• 이 논문에서는 이 안개 걷기 과정을 두 방향에서 동시에 진행하여 더 정확한 3D 이미지를 만들어냅니다.

📊 성과: 왜 이 방법이 좋은가요?

실험 결과, 이 새로운 방법은 기존 방법들보다 훨씬 뛰어난 성과를 보였습니다.

1. 더 선명한 이미지: 금속으로 인해 망가진 부분을 원래의 자연스러운 뼈와 치아 형태로 되돌려 놓았습니다.
2. 빠른 처리: 기존에 3D 이미지를 만들기 위해 많은 시간이 걸렸는데, 이 방법은 약 8.5 시간으로 단축했습니다 (기존 14 시간 대비).
3. 다양한 상황 대응: 임플란트가 CT 촬영 범위 안에 있든, 바깥에 있든 (엑소마스 영역) 상관없이 잘 처리했습니다.

💡 결론

이 연구는 **"치과 임플란트로 인해 망가진 3D CT 이미지를, 두 가지 다른 시선으로 동시에 복원하는 AI 기술"**을 개발했습니다.

마치 흐릿하게 찍힌 사진을 두 명의 전문가가 서로 다른 각도에서 보정하여 선명한 3D 사진으로 만들어주는 것과 같습니다. 이 기술이 실제 진료에 적용된다면, 의사는 더 정확한 진단을 내릴 수 있고 환자는 더 나은 치료를 받을 수 있게 될 것입니다.

기술 요약

논문 개요: 3D CBCT 아티팩트 제거를 위한 수직 Score-Based Diffusion 모델

이 연구는 치과 분야에서 널리 사용되는 3D 영상 기법인 원뿔빔 CT(CBCT) 에서 발생하는 금속 아티팩트 (특히 치과 임플란트) 를 제거하기 위해, 수직 방향의 Score-Based Diffusion Model을 결합한 새로운 3D 임플란트 인페인팅 (Inpainting) 접근법을 제안합니다.

1. 문제 정의 (Problem)

• CBCT 의 한계: 치과 임플란트나 근관 충전재와 같은 고밀도 물체는 CBCT 영상에 심각한 아티팩트 (왜곡) 를 유발하여 화질 저하 및 진단 정확도를 떨어뜨립니다.
• 기존 방법의 부족:
  • 기존 아티팩트 제거 방법들은 주로 재구성된 영상 영역 (Image Domain) 이나 투영 영역 (Projection Domain) 에서 작동합니다.
  • 특히 투영 영역에서의 인페인팅은 아티팩트 발생을 원천 차단할 수 있어 유리하지만, 기존 Diffusion 모델 기반 방법들은 개별 2D 투영 이미지를 독립적으로 처리했습니다.
  • 이로 인해 3D 재구성 시 슬라이드 간의 상관관계가 무시되어 일관성 없는 (inconsistent) 재구성 결과가 나타나는 문제가 있었습니다.
• 3D 모델의 어려움: 전체 3D 데이터를 학습하는 Diffusion 모델은 계산 비용이 매우 높고 대량의 데이터가 필요합니다.

2. 방법론 (Methodology)

저자들은 **수직 Score-Based Diffusion 모델 (TPDM: Two Perpendicular Diffusion Models)**을 제안하여 3D 투영 스택의 분포를 모델링합니다.

• 핵심 아이디어:
  • 하나의 3D 확률 분포를 두 개의 서로 다른 평면 (수직 방향) 에서 학습된 2D Diffusion 모델의 곱으로 근사합니다.
  • 주 모델 (Primary Model): 원래 투영 방향 (예: i-j 평면) 을 따라 학습됩니다.
  • 부 모델 (Secondary Model): 주 모델과 수직인 방향 (예: j-k 평면) 을 따라 학습됩니다.
• 샘플링 과정 (Sampling Scheme):
  • 알고리즘은 주 모델과 부 모델을 번갈아 가며 (예: 매 2 단계마다) 샘플링을 수행합니다.
  • 각 단계에서 선택된 모델에 따라 3D 볼륨을 해당 방향의 슬라이스 단위로 재구성합니다.
  • 조건부 샘플링 (Conditioning): 측정된 투영 데이터 (임플란트가 포함된 원본 데이터) 에 대한 조건부 학습은 주 모델이 선택될 때만 수행됩니다 (DPS, Diffusion Posterior Sampling 기법 적용).
  • 이를 통해 2D 모델의 계산 효율성을 유지하면서도 3D 슬라이스 간의 상관관계를 고려한 일관된 3D 영상을 생성합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 3D 투영 영역 Diffusion 인페인팅: 기존에 2D 투영에만 적용되던 Diffusion 기반 임플란트 인페인팅을 3D 투영 스택으로 확장하여 슬라이스 간 상관관계를 활용한 최초의 방법론을 제시했습니다.
2. 계산 효율성: 전체 3D 모델을 학습하는 대신, 2D 투영 데이터를 기반으로 두 개의 수직 모델을 학습함으로써 대규모 데이터와 높은 계산 비용의 문제를 우회하면서도 높은 3D 재구성 품질을 달성했습니다.
3. 범용성: 작은 시야 (Small FOV) 와 큰 시야 (Large FOV) 모두, 그리고 임플란트가 시야 내 (FOV) 에 있거나 외곽 (Exomass) 에 있는 경우 모두 처리할 수 있도록 다양한 CBCT 스캐너와 조건에서 학습 및 검증되었습니다.

4. 실험 및 결과 (Experiments & Results)

• 데이터셋: 10 마리의 돼지 하악골 (Fresh pig mandibles) 을 사용하여 4 가지 다른 CBCT 스캐너에서 촬영한 데이터를 기반으로 합성 임플란트 아티팩트를 생성했습니다. (학습용 9 마리, 테스트용 1 마리)
• 비교 대상:
  • TPDM (제안 방법): 수직 Diffusion 모델 결합.
  • DPS: 2D Diffusion Posterior Sampling (부 모델 없이 2D 만 사용).
  • LI (Linear Interpolation): 선형 보간법.
• 평가 지표: RMSE, SSIM, PSNR (투영 영역 및 재구성 영역 모두에서 평가).
• 주요 결과:
  • 화질: TPDM 은 모든 지표 (SSIM, PSNR, RMSE) 에서 DPS 와 LI 보다 우수한 성능을 보였습니다. 특히 투영 영역의 인페인팅 마스크 내에서 TPDM 의 SSIM 은 0.9290 으로 가장 높았습니다.
  • 재구성 품질: FDK 알고리즘으로 재구성된 3D 영상에서도 TPDM 이 가장 낮은 오차와 높은 유사도를 보였습니다.
  • 효율성: TPSM 은 동일한 메모리 사용량 (20GB VRAM) 으로 2D DPS 방법보다 약 1.6 배 빠른 샘플링 속도 (약 8.5 시간 vs 14 시간) 를 달성했습니다.
  • 시각적 결과: 차이 맵 (Difference maps) 분석 결과, TPDM 이 기준 이미지 (Reference) 와 가장 유사한 결과를 보여주었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 가치: 이 방법은 CBCT 영상의 아티팩트를 효과적으로 제거하여 진단 정확도를 높일 수 있는 유망한 솔루션입니다. 특히 임플란트가 시야 밖 (Exomass) 에 있더라도 처리가 가능하다는 점은 임상적으로 매우 중요합니다.
• 기술적 의의: 3D 데이터의 복잡성을 2D 모델의 조합으로 해결하는 새로운 패러다임을 제시했습니다. 이는 3D 의료 영상 처리에서 데이터 부족과 계산 비용 문제를 해결하는 중요한 방향성을 보여줍니다.
• 한계 및 향후 과제: 현재는 합성 데이터 (Synthetic Data) 만으로 검증되었으며, 실제 임상 데이터 (실제 스캐너 기하학적 정보가 알려진 대규모 데이터) 가 부족하여 검증이 제한적입니다. 또한, Diffusion 모델의 샘플링 속도를 더 최적화하여 임상 적용성을 높이는 것이 향후 과제로 남았습니다.

이 연구는 생성형 AI (Diffusion Model) 를 의료 영상 아티팩트 제거에 적용할 때, 3D 구조적 일관성을 유지하는 것이 핵심임을 입증하고, 이를 효율적으로 구현한 방법론을 제시했다는 점에서 의의가 큽니다.