1. 문제 정의 (Problem)

X 선 컴퓨터 단층촬영 (CT) 에서 금속 임플란트 (치과 충전재, 척추 나사, 고관절 치환물 등) 가 존재할 경우, 필터링 역투영 (FBP) 알고리즘이 가정하는 선형 감쇠 가정이 위반됩니다. 이로 인해 빔 경화 (beam hardening), 산란 (scattering), 광자 결핍 (photon starvation) 등의 물리적 현상이 발생하여 재구성된 이미지 내에 심각한 스트라이킹 (streaking) 및 그림자 (shadowing) 아티팩트가 생성됩니다. 이러한 아티팩트는 진단 품질을 저하시키고 임상적 해석을 어렵게 만듭니다.

기존의 금속 아티팩트 감소 (MAR) 기법들은 다음과 같은 한계를 가집니다:

• 투영 완성 (Projection Completion) 기반 방법: 사전 이미지 (Prior image) 의 정확도에 크게 의존하며, 심한 금속 오염 시 사전 이미지가 부정확해지면 2 차 아티팩트가 발생합니다.
• 모델 기반 재구성 방법: X 선 스펙트럼 및 물질별 감쇠 계수에 대한 상세한 사전 지식이 필요하며, 계산 비용이 매우 큽니다.
• 딥러닝 기반 방법: 기존Implicit Neural Representations (INR) 은 무작위 초기화에 민감하여 금속이 심하게 오염된 경우 수렴이 불안정하고 재구성 품질이 초기값에 따라 크게 달라지는 문제가 있습니다.

2. 제안 방법론 (Methodology: MGMAR)

저자들은 금속 관련 정보를 재구성 파이프라인 전반에 명시적으로 활용하는 MGMAR (Metal-Guided MAR) 을 제안합니다. 이 방법은 크게 세 가지 핵심 단계로 구성됩니다.

A. 데이터 기반 가중치 초기화를 통한 고품질 사전 이미지 생성 (Data-Driven INR Initialization)

• 조건부 INR (Conditioned INR): 금속의 영향을 받지 않는 투영 데이터 (metal-unaffected projections) 를 사용하여 MLP 기반의 INR 을 학습하여 사전 이미지를 생성합니다.
• 인코더 기반 조건부 학습 (Encoder-Conditioned Latent Field): 기존 INR 의 불안정성을 해결하기 위해, 금속 오염 CT 이미지와 재귀적으로 구축된 금속 아티팩트 이미지 ($\mu_{MA}$) 를 입력으로 받는 인코더를 설계합니다. 이 인코더는 금속에 의존적인 전역적인 아티팩트 패턴 (스트라이킹, 그림자) 을 잠재 공간 (latent space) 에 인코딩합니다.
• 사전 학습 기반 초기화 (Pretraining-based Initialization):
  1. 훈련 데이터셋 (금속 오염 이미지와 아티팩트 없는 이미지 쌍) 을 사용하여 인코더와 INR 을 사전 학습합니다.
  2. 재귀적 절차 (Recursive Procedure) 를 통해 금속 아티팩트 이미지를 점진적으로 정제하며, 이를 통해 학습된 가중치를 초기화 가중치 ($\theta_0$) 로 사용합니다.
  3. 이는 무작위 초기화의 민감성을 줄이고, 측정 데이터에 특화된 정제 (Refinement) 단계에서 빠른 수렴과 안정적인 해를 보장합니다.

B. 정규화 MAR (NMAR) 프레임워크 통합

• 생성된 고품질 사전 이미지를 NMAR 프레임워크에 통합합니다.
• 금속 영역의 투영 데이터를 사전 이미지의 투영 데이터로 정규화한 후, 금속 영역을 선형 보간하여 투영 데이터를 완성합니다.
• 이를 통해 금속 영역 외부의 해부학적 구조를 보존하면서 금속으로 인한 왜곡을 보정합니다.

C. 금속 내재형 잔차 학습 네트워크 (Metal-Embedded Residual Learning)

• NMAR 보정 후에도 남는 2 차 아티팩트 (잔차) 를 제거하기 위해 잔차 학습 네트워크를 적용합니다.
• AdaIN 기반 금속 조건부 (Metal Conditioning): 금속 마스크 ($\chi_D$) 를 입력받아 적응형 인스턴스 정규화 (AdaIN) 매개변수 (shift, scale) 를 생성합니다.
• 이 메커니즘은 네트워크가 금속 주변에서 발생하는 2 차 아티팩트에 집중하도록 유도하면서도, 금속이 아닌 해부학적 구조의 왜곡을 방지합니다.

3. 주요 기여 (Key Contributions)

1. 금속 가이드 MAR 프레임워크: 재구성 파이프라인 전반에 걸쳐 금속 관련 정보를 명시적으로 통합하여 아티팩트 감소 성능을 극대화했습니다.
2. 데이터 기반 가중치 초기화 전략: 금속 아티팩트 인식 잠재 조건부 (artifact-aware latent conditioning) 를 기반으로 한 사전 학습 초기화 방식을 도입하여, INR 기반 재구성의 안정성, 품질 및 계산 효율성을 크게 향상시켰습니다.
3. 금속 내재형 잔차 학습 네트워크: 부정확한 투영 완성으로 인한 2 차 아티팩트를 효과적으로 억제하는 AdaIN 기반의 조건부 잔차 네트워크를 제안했습니다.
4. SOTA 성능 달성: AAPM-MAR 벤치마크에서 임상적으로 관련 있는 8 가지 평가 지표를 통해 기존 최상위 기법들을 능가하는 성능을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: AAPM-MAR Grand Challenge 데이터셋 (14,000 개의 시뮬레이션 훈련 데이터, 29 개의 임상 테스트 데이터) 을 사용했습니다.
• 성능 지표:
  • 최종 벤치마크 점수: 29 개의 임상 테스트 케이스에서 평균 0.89점을 기록하여 1 위를 차지했습니다 (기존 2 위인 저자들의 이전 제출 버전 대비 개선).
  • 세부 지표: CT 수 (CTN) 정확도, 노이즈, SSIM, 양성자 빔 범위 (PBR) 영향 등 4 가지 주요 지표에서 최우수 성능을 보였습니다.
  • 정량적 분석: 검증 세트에서 RMSE, PSNR, SSIM 모두 단계별 (사전 이미지 생성 $\rightarrow$ NMAR $\rightarrow$ 잔차 보정) 로 지속적으로 개선되었습니다. 특히 데이터 기반 초기화는 무작위 초기화나 메타 학습 초기화보다 훨씬 우수한 사전 이미지 품질을 보여주었습니다.
• 시각적 결과: 금속 주변 스트라이킹 및 그림자 아티팩트가 효과적으로 제거되었으며, 균일한 조직 영역의 노이즈도 감소했습니다. 다만, 미세한 구조의 선명도 (Sharpness) 는 2 차 아티팩트 제거 과정에서 약간 감소하는 트레이드오프가 관찰되었습니다.

5. 의의 및 결론 (Significance)

MGMAR 은 금속 아티팩트 감소 분야에서 데이터 기반의 사전 지식 (Data-driven Prior) 과 물리 기반 모델 (NMAR) 을 효과적으로 결합한 하이브리드 접근법의 성공 사례입니다. 특히, INR 의 최적화 불안정성을 해결하기 위해 제안된 재귀적 아티팩트 추정 및 사전 학습 초기화 전략은 심한 금속 오염 하에서도 안정적인 재구성을 가능하게 하는 핵심 혁신입니다.

이 연구는 임상적 진단 품질을 높이는 데 기여할 뿐만 아니라, 향후 3 차원 콘-빔 CT (CBCT) 및 실제 임상 워크플로우로의 확장을 위한 기초를 마련했다는 점에서 의의가 큽니다. 다만, 현재 방법론은 훈련을 위해 아티팩트 없는 참조 이미지가 필요한 쌍 (paired) 데이터에 의존하므로, 실제 임상 환경에서의 도메인 간극 (domain gap) 해결과 계산 시간 단축이 향후 과제로 남았습니다.