기술 요약: 저선량 PBI-CT 용이화를 위한 Neighbor2Inverse

문제 제기

전파 기반 X 선 위상 대조 영상 (PBI) 은 특히 폐 영상에서 우수한 연조직 대비를 제공하여 침습적 생검의 필요성을 줄일 수 있습니다. 그러나 PBI 를 임상 실무로 전환하려면 방사선 선량을 크게 낮춰야 합니다. 노출 시간 단축, 투영 수 제한, 관심 영역 (ROI) 으로 시야 제한과 같은 현재 선량 저감 전략은 필연적으로 영상 노이즈를 증가시키고 단절 아티팩트 (truncation artifacts) 나 링 아티팩트 (ring artifacts) 와 같은 아티팩트를 유발합니다.

딥러닝 기반의 노이즈 제거는 가능성을 보였으나, 지도 학습 방법은 저선량과 고선량 데이터 쌍이 필요한데, 윤리적 및 물류적 제약으로 인해 실제 임상에서는 이러한 데이터 쌍을 구하기 어렵습니다. 시뮬레이션 데이터는 실제 세계의 노이즈 특성을 재현하지 못해 편향을 초래하는 경우가 많습니다. 기존 자기지도 학습 방법 (예: Noise2Noise, Neighbor2Neighbor, Noise2Inverse) 은 정답 (ground truth) 부재를 해결하지만, 공간적으로 상관된 노이즈, 위상 복원 요구사항, 그리고 대규모 픽셀 수로 인한 높은 계산 요구사항을 포함하는 ROI PBI-CT 의 특정 과제는 잘 처리하지 못합니다.

방법론

저선량 PBI-CT 를 위해 설계된 자기지도 학습 노이즈 제거 프레임워크인 Neighbor2Inverse를 제안합니다. 이 방법은 임상 CT 로도 일반화될 수 있습니다. 이 방법은 Neighbor2Neighbor 원리를 토모그래피 역문제에 적용합니다.

핵심 파이프라인

1. 투영 도메인에서의 하위 샘플링: 재구성된 이미지를 하위 샘플링하는 대신, 원시 투영 데이터 ($p_\phi$) 를 하위 샘플링합니다. 단일 노이즈 투영을 겹치지 않는 $2 \times 2$ 픽셀 패치로 나눕니다. 각 패치에서 두 개의 인접 픽셀을 무작위로 선택하여 두 개의 하위 샘플링 변형체 $g_1(p_\phi)$와 $g_2(p_\phi)$를 생성합니다. 이러한 변형체들은 거의 동일한 구조 정보를 공유하지만 통계적으로 독립적인 노이즈 실현을 포함합니다.
2. 재구성 파이프라인: 하위 샘플링된 투영 데이터는 표준 PBI 재구성 파이프라인을 거칩니다.
   • 위상 복원: 단일 물질 위상 복원 알고리즘 (Paganin 등) 을 사용하여 두께 지도를 계산합니다.
   • 재구성: 필터링 역투영 (FBP) 을 적용하여 영상 슬라이스를 생성합니다.
3. 학습 목적: U-Net 노이즈 제거 네트워크 ($f_\theta$) 를 영상 도메인에서 학습시킵니다. 하나의 재구성된 슬라이스 ($g_1$에서 유래) 를 네트워크에 입력하고, 다른 하나 ($g_2$에서 유래) 를 타겟으로 사용합니다. 네트워크는 노이즈 없는 정답이 필요 없이 노이즈가 있는 입력을 "더 깨끗한" 타겟으로 매핑하는 법을 학습합니다.
4. 손실 함수:
   • 기본 손실 ($L_{Nei}$): 네트워크 출력과 타겟 하위 샘플링 재구성 간의 차이를 최소화합니다.
   • 정규화 ($L_{reg}$): 하위 샘플링 입력 간의 잠재적 신호 불일치를 고려하기 위해 Neighbor2Neighbor 보정 항을 적용합니다.
   • 데이터 충실도 변형: 저자는 $L_{reg}$를 데이터 충실도 항 ($L_{origSino}$ 및 $L_{virtSino}$) 으로 대체하는 것도 탐구했는데, 이는 네트워크 출력 (순방향 투영 후) 을 원래 또는 가상 심노그램과 비교하여 측정 데이터와의 일관성을 강제합니다.

실험 설정

• PBI 데이터셋: 호주 싱크로트론에서 획득한 송아지 폐 스캔. 데이터에는 70 keV 에서 3600 개의 투영이 포함됩니다. 일곱 가지 노출 시간 (15ms~200ms) 을 테스트했습니다. 200ms 스캔은 고품질 참조로 사용되었고, 15ms 스캔은 저선량 조건을 시뮬레이션했습니다.
• 임상 데이터셋: RSNA 폐색전증 탐지 챌린지의 200 건 흉부 CT 검사. 볼륨을 순방향 투영하고 혼합 포아송 - 가우시안 노이즈를 추가하여 저선량 조건을 시뮬레이션했습니다.
• 비교: 이 방법은 분석적 필터 (가우시안, BM3D, TV, 웨이블릿), 기타 자기지도 학습 방법 (Noise2Inverse, Neighbor2Neighbor, Blind2Unblind, Proj2Proj, ZeroShotN2N, Filter2Noise, SDCNN), 그리고 합성 노이즈를 사용한 지도 학습 접근법 (FakeNoiseNet) 과 비교되었습니다.

주요 기여

1. 새로운 프레임워크: 공간적으로 상관된 노이즈와 위상 복원 제약을 해결하기 위해 ROI PBI-CT 의 역문제에 맞춰 설계된 첫 번째 자기지도 학습 노이즈 제거 방법인 Neighbor2Inverse를 소개합니다.
2. 도메인 적응: 투영 도메인 하위 샘플링과 영상 도메인 노이즈 제거 간의 간극을 성공적으로 연결하여 네트워크가 최종 재구성 영상에서 공간적 상관 관계를 활용할 수 있도록 합니다.
3. 종합적 평가: 싱크로트론 PBI 데이터와 시뮬레이션 임상 CT 데이터 모두에서 다양한 분석적 및 학습 기반 방법과 체계적으로 비교했습니다.
4. 강건성 분석: 희소 뷰 조건 (하위 샘플링) 에서의 방법 성능과 정규화 하이퍼파라미터에 대한 민감성을 조사했습니다.

결과

• PBI 데이터 (15ms vs. 200ms): Neighbor2Inverse는 분석적 방법 및 기타 자기지도 학습 접근법보다 미세한 구조적 세부 사항 (예: 폐포 경계) 을 보존하면서 우수한 노이즈 억제를 달성했습니다.
  • 지표: 모든 테스트 방법 중 가장 높은 복합 영상 품질 지수 ($Q = \text{CNR}/\text{SR}$) 를 달성했습니다. 구체적으로, 심노그램 하위 샘플링 변형체는 $2.507 \pm 1.087$의 $Q$를 달성하여 이 지표에서 200ms 참조 ($1.413 \pm 0.304$) 를 능가했습니다.
  • 시각적 결과: 과도하게 평활화하는 방법 (예: TV, 가우시안) 이나 구조적 왜곡을 유발하는 방법 (예: FakeNoiseNet) 과 달리 Neighbor2Inverse는 선명도를 유지하고 노이즈를 효과적으로 감소시켰습니다.
• 임상 데이터: 시뮬레이션된 저선량 임상 CT 에서 Neighbor2Inverse는 PSNR 및 SSIM 에서 지도 학습 U-Net 과 경쟁력 있는 성능을 보이며 근접하게 일치했으나, Noise2Inverse는 이러한 특정 지표에서 약간 더 높은 점수를 보였습니다 (저자는 이러한 지표가 과도하게 평활화된 영상을 선호한다고 지적합니다).
• 희소 뷰 성능: 원래 투영 수의 절반인 900 개의 투영만으로 구성된 데이터에 적용했을 때, Neighbor2Inverse는 노이즈와 각도 하위 샘플링 아티팩트를 모두 감소시켰으나, 미세 구조의 대비는 일부 감쇠되었습니다.
• 선량 저감 전략: 연구 결과, 투영당 노출 시간을 줄이는 것이 투영 수를 줄이는 것보다 영상 품질에 덜 해로운 것으로 나타났는데, 이는 두께 복원 단계가 암묵적인 노이즈 필터 역할을 하기 때문입니다.

중요성 및 주장

이 논문은 Neighbor2Inverse가 짝을 이루는 고선량 학습 데이터 없이 방사선 선량을 크게 줄인 고품질 영상 촬영을 가능하게 함으로써 PBI 의 임상 전환을 위한 중요한 단계라고 주장합니다.

• 임상적 관련성: 이 방법은 폐 영상에서의 방사선 안전이라는 중요한 장벽을 해결하여, 비침습적으로 충분한 진단 세부 정보를 제공함으로써 침습적 생검의 필요성을 줄일 수 있습니다.
• 방법론적 통찰: 저자는 이 특정 응용 분야에서는 데이터 정규화 ($L_{reg}$를 통한) 가 효과적인 학습에 필수적이지는 않음을 보여주었으나, 데이터 충실도 항은 약간 더 높은 잔류 노이즈를 치러가며 구조 보존을 개선할 수 있음을 시사합니다.
• 한계 및 향후 작업: 저자는 정량적 지표 (CNR, SSIM, PSNR) 가 미세한 구조적 왜곡에 둔감하고 과도하게 평활화된 영상을 선호할 수 있음을 겸손하게 인정합니다. 향후 작업은 임상 진단 요구 사항과 더 잘 부합하도록 작업 기반 평가를 중점적으로 다루어야 한다고 제안합니다. 또한, 데이터 충실도 공식화에 대한 더 철저한 조사를 유망한 방향으로 제안합니다.

이 연구는 Neighbor2Inverse가 저선량 영역에서 영상 품질을 일관되게 향상시키고 중간 정도의 하위 샘플링 하에서도 강건하게 유지되어 PBI 를 임상 적용에 더 가깝게 만드는 실현 가능한 경로를 제공한다고 결론지었습니다.