SPLIT: Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 컴퓨터 단층촬영 (CT) 및 기타 영상 재구성 분야에서 기계 학습 (Machine Learning) 기반의 방법이 뛰어난 성능을 보이고 있습니다. 그러나 기존의 지도 학습 (Supervised Learning) 방식은 '측정 데이터 (y)'와 '정답 이미지 (Ground-truth x)'가 쌍을 이룬 데이터가 필요하다는 치명적인 단점이 있습니다. 실제 의료 및 산업 현장에서는 정답 이미지를 얻기 어렵거나 불가능한 경우가 많습니다.
• 현재의 한계: 기존 자기 지도 학습 (Self-supervised) 방법들은 주로 노이즈 제거 (Denoising) 나 선형 역문제 (Linear Inverse Problems) 에 초점을 맞추어 왔습니다.
• 핵심 문제: 본 논문은 비선형 (Nonlinear) 역문제, 특히 다중 스펙트럼 CT (MSCT) 와 같은 복잡한 상황을 해결하고자 합니다. MSCT 는 X 선의 에너지 의존성, 물질의 분해, 포아송 (Poisson) 노이즈, 그리고 희소 뷰 (Sparse-view) 샘플링 등으로 인해 본질적으로 비선형적이고 불완전한 역문제를 야기합니다. 이러한 비선형 역문제에 적용 가능한 자기 지도 학습 프레임워크는 기존에 존재하지 않았습니다.

2. 제안된 방법론: SPLIT (Methodology)

저자들은 SPLIT (Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography) 이라는 새로운 자기 지도 학습 프레임워크를 제안합니다.

• 핵심 아이디어:

  • 데이터 분할 (Partitioning): 측정 데이터 도메인을 여러 개의 부분 (Partition) 으로 나눕니다. 각 부분의 데이터는 서로 독립적이거나 보완적인 정보를 가집니다.
  • 교차 일관성 (Cross-partition Consistency): 한 부분의 데이터를 사용하여 재구성을 수행하고, 이를 다른 부분의 측정 데이터와 비교하여 손실 함수 (Loss) 를 계산합니다.
  • 비선형성 처리: 선형 문제의 기존 방법 (Noise2Inverse 등) 과 달리, 비선형 전방 연산자 (Forward Operator) $A$를 직접 고려하며, 신경망이 재구성 공간 (Image Space) 에서 작동하되 손실은 측정 공간 (Measurement Domain) 에서 계산합니다.

• SPLIT 의 구성 요소:

  1. 다중 분할 (Multi-partitioning): 단일 분할이 아닌, 노이즈 제거와 결측 데이터 복원 등 다양한 과제를 처리하기 위해 측정 도메인을 여러 방식으로 분할합니다.
  2. 부분 재구성 (Partial Reconstructions): 각 분할된 데이터 ($y_{\Omega}$) 에 대해 고정된 재구성 연산자 (예: CP-fast 알고리즘) 를 적용하여 초기 재구성 이미지를 생성합니다.
  3. 자기 지도 손실 함수 (Self-supervised Loss):
     • 측정 공간 손실 ($L_Y$): 신경망이 출력한 재구성 이미지를 다시 전방 연산자 $A$에 통과시켜 얻은 예측 측정값과 실제 측정값 ($y$) 의 차이를 최소화합니다. 이는 Sparse2Inverse의 비선형 확장판으로, 네트워크가 영공간 (Null space) 성분을 자유롭게 학습할 수 있게 합니다.
     • 이미지 공간 손실 ($L_X$): (참고용) 재구성된 이미지 간의 차이를 최소화하는 방식 (Noise2Inverse 스타일) 입니다.
  4. 추론 (Inference): 모든 분할에 대해 학습된 신경망을 적용한 후, 그 결과를 평균내어 최종 이미지를 생성합니다.

• MSCT 적용 (Double-SPLIT):

  • MSCT 에서는 각도 (Angular) 방향과 검출기 (Detector/Projection) 방향 두 가지 축으로 데이터를 분할하는 Double-SPLIT을 구현했습니다.
  • 각도 분할과 검출기 분할을 통해 희소 뷰와 노이즈에 대한 강건성을 동시에 확보합니다.
  • 자동 조기 종료 (Automatic Early Stopping): 정답 이미지가 없으므로, 서로 다른 분할에서 학습된 재구성 이미지 간의 PSNR(피크 신호 대 잡음비) 을 모니터링하여 과적합 (Overfitting) 이 시작되는 시점에서 훈련을 중단합니다.

3. 주요 기여 (Key Contributions)

1. 비선형 역문제 최초의 자기 지도 학습 프레임워크: 기존에 없던 비선형 역문제 (특히 MSCT) 를 위한 자기 지도 학습 방법론을 최초로 제안했습니다.
2. 이론적 증명: 제안된 자기 지도 손실 함수가 기대값 (Expectation) 에서 지도 학습 손실 함수와 동등함을 증명했습니다 (Theorem 1). 이는 노이즈가 평균 0 이고 독립적일 때, 측정 공간에서의 손실 최소화가 실제 이미지 재구성 최적화와 일치함을 의미합니다.
3. 다중 분할 전략의 도입: 단일 분할이 아닌, 노이즈와 희소 샘플링 문제를 동시에 해결하기 위한 다중 분할 (Double-SPLIT) 전략을 도입하고 그 유효성을 입증했습니다.
4. 단일 단계 (One-step) 재구성: 기존 MSCT 재구성이 '영상 형성'과 '물질 분해'를 분리하는 2 단계 방식이었다면, SPLIT 은 이를 단일 단계로 결합하여 학습합니다.

4. 실험 결과 (Results)

• 실험 설정:

  • 데이터: 합성 MSCT 데이터셋 (Shepp-Logan 팬텀 변형, 물/요오드/가돌리늄 3 가지 물질).
  • 조건: 다양한 각도 샘플링 수 (725, 145, 29 뷰) 및 포아송 노이즈 포함.
  • 비교 대상:
    • CP-Fast (기존 반복적 1 단계 알고리즘)
    • X-space loss (재구성 공간 손실 기반 자기 지도 학습)
    • Single-SPLIT (단일 분할)
    • Double-SPLIT (제안된 방법)

• 성능:

  • 정량적 지표 (PSNR, SSIM): 모든 물질 (요오드, 가돌리늄, 물) 과 모든 뷰 수에서 Double-SPLIT과 Single-SPLIT이 기존 CP-Fast 및 X-space loss 방법보다 월등히 높은 성능을 보였습니다.
  • 희소 뷰 (Sparse-view) 강건성: 특히 29 뷰와 같은 극도로 희소한 조건에서 Double-SPLIT 이 가장 우수한 재구성 품질을 보여주었습니다.
  • 시각적 결과: 기존 방법에서 발생하는 아티팩트 (Beam hardening, 희소 뷰로 인한 줄무늬 등) 가 SPLIT 에 의해 현저히 감소하고, 물질 분해의 정확도가 높게 유지되었습니다.

5. 의의 및 결론 (Significance)

• 데이터 부족 문제 해결: 정답 이미지가 없는 현실적인 의료/산업 환경에서도 고품질의 비선형 CT 재구성이 가능함을 입증했습니다.
• 물리 기반 학습의 발전: 물리 모델 (비선형 전방 연산자) 과 데이터 기반 학습 (신경망) 을 효과적으로 결합하여, 노이즈와 불완전한 데이터에 강건한 재구성을 가능하게 합니다.
• 확장 가능성: 이 프레임워크는 MSCT 에 국한되지 않으며, 양적 광음향 단층촬영 (Quantitative Photoacoustic Tomography) 이나 확산 광학 단층촬영 (Diffuse Optical Tomography) 등 다른 비선형 역문제에도 적용 가능한 범용적인 접근법입니다.

요약하자면, 이 논문은 정답 데이터 없이도 비선형 CT 재구성을 가능하게 하는 강력한 자기 지도 학습 프레임워크 (SPLIT) 를 제안하고, 이론적 근거와 실험적 검증을 통해 그 우수성을 입증한 중요한 연구입니다.