FaCT-GS: 가우스 스플래팅을 활용한 빠르고 확장 가능한 CT 재구성 기술 요약

본 논문은 X-선 컴퓨터 단층촬영 (CT) 재구성 분야에서 가우스 스플래팅 (Gaussian Splatting, GS) 기반 접근법의 한계를 극복하고, 기존 알고리즘 대비 압도적인 속도와 확장성을 제공하는 새로운 프레임워크 FaCT-GS를 제안합니다.

1. 문제 제기 (Problem)

• 기존 방법의 한계: 희소 뷰 (sparse-view) CT 재구성을 위해 FDK, SIRT, FISTA 같은 전통적인 대수적 알고리즘이 사용되지만, 아티팩트와 낮은 충실도 (fidelity) 문제가 발생합니다.
• 딥러닝/NeRF 기반 방법의 비효율성: 최근 NeRF(Neural Radiance Fields) 기반 방법들이 재구성 품질을 향상시켰으나, 계산 비용이 매우 높아 임상적 또는 산업적 실용성이 떨어집니다.
• 기존 GS 기반 방법의 속도 문제: CT 재구성에 적용된 초기 가우스 스플래팅 방법 (예: R2-Gaussian) 은 NeRF보다 빠르지만, 여전히 고해상도 데이터 (1k~2k 해상도) 처리 시 계산 부하가 크고, 기존 대수적 방법 (FISTA 등) 에 비해 속도가 느려 실제 도입을 저해하고 있습니다.

2. 방법론 (Methodology)

FaCT-GS는 R2-Gaussian 파이프라인을 기반으로 하되, 볼리제이션 (Voxelization) 및 래스터화 (Rasterization) 파이프라인을 심층적으로 최적화하여 속도를 획기적으로 개선했습니다.

2.1 핵심 최적화 기법

• 래스터화 및 볼리제이션 가속화:
  • 경계 상자 최적화: 가우스 타원체의 비등방성 (anisotropic) 특성을 고려하여 정사각형 대신 밀도를 고려한 축 정렬 직사각형 경계 상자를 사용하여 불필요한 연산을 제거했습니다.
  • 역전파 (Backward Pass) 재구성: 픽셀 단위 계산을 가우스 단위 계산으로 전환하여 메모리 충돌 (write conflicts) 과 워프 스탈 (warp stalls) 을 방지했습니다.
  • CT 특화 최적화: CT 는 X-선 경로 순서가 신호에 영향을 주지 않으므로, 기존 GS 에서 불필요하게 수행되던 가중치 누적 순서 로직을 제거했습니다.
  • 메모리 트래픽 감소: 파라미터를 float4 구조체로 통합하여 메모리 접근 효율을 높였습니다.
• 커널 병합 (Kernel Fusion):
  • 손실 함수 (Loss) 계산 (2D/3D SSIM, 3D Total Variation) 을 별도의 CUDA 커널로 병합하여 메모리 이동과 커널 실행 오버헤드를 줄였습니다. (3D SSIM 은 11 배, TV 는 3 배 가속)
• 초기화 전략 개선 (Initialization):
  • 기울기 기반 샘플링: 재구성 강도 대신 FDK 재구성의 기울기 (gradient) 크기에 비례하여 가우스를 샘플링하여 고주파 특징 (edge) 근처에 가우스를 집중시킵니다.
  • 웜 스타트 (Warm-start) 지원: 기존 볼륨 데이터 (Prior volume) 를 직접 가우스 모델에 피팅하거나, FDK 재구성의 기울기를 활용하여 최적화 과정을 초기화하는 두 가지 전략을 제안했습니다. 이는 수렴 속도를 크게 높입니다.

2.2 압축 및 볼륨 피팅

• FaCT-GS 는 임의의 3D 볼륨 데이터를 가우스 집합으로 빠르게 피팅할 수 있으며, 이를 통해 고품질 볼륨 데이터를 압축된 형식 (0.84MB 수준) 으로 저장할 수 있음을 증명했습니다.

3. 주요 기여 (Key Contributions)

1. FaCT-GS 프레임워크 개발: 가우스 스플래팅을 CT 재구성에 적용할 때 발생하는 성능 병목 현상을 해결한 최초의 고속 확장성 프레임워크.
2. 압도적인 속도 향상:
   • 표준 512x512 해상도 (75 뷰) 에서 기존 SotA 인 R2-Gaussian 보다 4 배 이상, FISTA 보다 45 초~1 분 내에 경쟁력 있는 결과를 제공합니다.
   • 2k 해상도 (2048x2048) 에서 R2-Gaussian 대비 13 배 이상 빠른 속도를 달성했습니다.
3. 효율적인 초기화 및 웜 스타트: 기존 대수적 방법처럼 사전 볼륨 정보를 활용하여 최적화를 빠르게 시작할 수 있는 메커니즘을 도입했습니다.
4. 데이터 압축 가능성: 재구성된 가우스 모델을 통해 기존 JPEG 스택 또는 압축된 uint8 볼륨보다 효율적인 데이터 저장 방식을 제시했습니다.

4. 실험 결과 (Results)

• 정량적 평가: 25, 50, 75 뷰의 희소 뷰 설정에서 FaCT-GS 는 SSIM(구조적 유사도) 및 PSNR(피크 신호 대 잡음비) 측면에서 기존 NeRF 기반 방법 (IntraTomo, NAF) 과 R2-Gaussian 을 능가하거나 동급의 성능을 보이면서, 가장 짧은 시간 (최대 1 분 52 초) 에 수렴했습니다.
• 확장성 (Scalability):
  • 볼륨 및 투영 크기가 커질수록 (512² → 2048²) FaCT-GS 의 성능 우위가 더욱 두드러집니다.
  • 2048² 해상도에서 FISTA 대비 31.5 배, R2-Gaussian 대비 13 배 빠른 반복 속도를 기록했습니다.
• 초기화 효과: 볼륨 사전 정보 (Prior) 를 활용한 웜 스타트는 냉간 시작 (Cold start) 대비 약 40% 적은 반복 횟수로 동일한 품질의 재구성을 달성했습니다.

5. 의의 및 결론 (Significance)

FaCT-GS 는 가우스 스플래팅 기술이 CT 재구성 분야에서 이론적 가능성을 넘어 실제 임상 및 산업 환경 (예: 실시간 검사, 고해상도 스캔) 에서 실용적으로 사용될 수 있는 가능성을 열었습니다.

• 실시간성: 고해상도 CT 스캔을 수 분 내에 재구성할 수 있어, 시간 민감도가 높은 응용 분야 (예: 인라인 산업 검사, 시간 분해 촬영) 에 적합합니다.
• 효율성: 기존 학습 기반 방법들의 높은 계산 비용 문제를 해결하여, 전통적인 대수적 방법의 속도와 학습 기반 방법의 품질 사이의 균형을 성공적으로 맞췄습니다.
• 미래 지향성: 재구성된 가우스 모델 자체가 압축된 데이터 형식으로 활용될 수 있어, CT 데이터 저장 및 처리 파이프라인의 효율성을 높이는 새로운 패러다임을 제시합니다.

결론적으로, FaCT-GS 는 체계적인 최적화와 새로운 초기화 전략을 통해 CT 재구성의 속도와 품질을 동시에 혁신한 획기적인 연구로 평가됩니다.