기술 요약: 병리학적 초점 흐림 제거를 위한 불연속 갈라킨 신경 연산자

1. 문제 제기

병리학적 현미경에서의 초점 흐림 제거는 광학적 흐림이 공간적으로 변하고 국소적으로 불연속적인 성격을 띠기 때문에 중요한 과제입니다. 평행 이동 불변성을 가정하는 표준 이미지 복원 작업과 달리, 병리학적 초점 흐림은 위치에 의존하는 적분 영상 형성 과정에서 발생합니다. 깊이 변화, 이질적인 조직 구조, 굴절률 불균일성, 그리고 공간적으로 변하는 수차와 같은 요인들은 점 확산 함수 (PSF) 가 시야 전체에 걸쳐 변하게 만듭니다.

기존의 심층 학습 방법들, 즉 합성곱 신경망 (CNN), 비전 트랜스포머 (ViT), 상태 공간 모델 (예: Mamba) 은 일반적으로 초점 흐림 제거를 고정된 샘플링 그리드에서의 유한 차원 매핑 문제 ($F: \mathbb{R}^N \to \mathbb{R}^N$) 로 취급합니다. 이러한 접근법들은 종종 암묵적인 평행 이동 불변성 가정이나 물리적 해석 가능성이 결여된 전역 자기 주의 메커니즘에 의존합니다. 그 결과, 병리학적 이미지 내재적인 이질적이고 국소적으로 불연속적인 흐림 패턴을 모델링하는 데 어려움을 겪으며, 세포 형태학의 최적화되지 않은 복원과 세포 탐지 및 분할과 같은 하위 작업의 저하를 초래합니다.

2. 방법론: 불연속 갈라킨 신경 연산자 (DGNO)

저자들은 **불연속 갈라킨 신경 연산자 (DGNO)**를 제안합니다. 이는 함수 공간에 작용하는 공간적으로 변하는 적분 연산자의 역으로 초점 흐림 제거를 모델링하는 프레임워크 ($G: g(\cdot) \mapsto h(\cdot)$) 입니다. 편미분 방정식을 풀기 위해 사용되는 불연속 갈라킨 (DG) 방법에서 영감을 받은 DGNO 는 전역 적분 연산자를 두 가지 구성 요소로 분해합니다:

2.1. 핵심 공식화

전역 커널 적분을 사용하는 표준 신경 연산자 업데이트는 DG 스타일 업데이트로 대체됩니다. 공간 도메인은 겹치지 않는 요소들 ($D = \bigcup D_e$) 로 분할됩니다. 잠재 특징 필드 $z$에 대한 연산자 업데이트는 다음과 같이 정의됩니다:
$$z^{t+1}(x) = \sigma(Wz^t(x) + (K_{DG}z^t)(x))$$
여기서 DG 연산자 $K_{DG}$는 다음으로 구성됩니다:

1. 요소 국소 부피 연산자 ($K_{e}^{vol}$): 각 요소 $D_e$ 내의 적분을 모델링하여 국소 공간 의존성을 포착합니다. 학습된 쿼리, 키, 값 함수를 가진 갈라킨 스타일 주의 메커니즘으로 매개변수화됩니다.
2. 인터페이스 수치 플럭스 ($K_{e,f}^{flux}$): 공유 인터페이스 ($f \subset \partial D_e$) 를 통해 인접 요소 간의 상호작용을 모델링합니다. 이는 전역 매끄러움을 강제하지 않으면서 제어된 요소 간 정보 교환을 가능하게 하여 국소 불연속성을 보존합니다.

2.2. 두 가지 변형

이 논문은 수치 플럭스에 대한 두 가지 구체적인 공식을 소개합니다:

• DGNO-Face (인터페이스 기반): 샘플링된 점과 수치 플럭스 함수 (중앙, 업윈드, 점프, 평균 - 점프 등) 를 사용하여 요소 인터페이스를 적분함으로써 플럭스를 명시적으로 계산합니다. 이 공식은 복잡한 구조 패턴에 대해 더 표현력이 뛰어납니다.
• DGNO-Cell (P0DG 기반): 잠재 필드를 요소 내에서 조각상 상수로 취급하는 경량 0 차 DG 근사입니다. 플럭스는 추가적인 인터페이스 적분 없이 인접 셀의 부피 연산자에서 직접 유도됩니다. 이는 더 단순한 영상 시나리오에 적합합니다.

2.3. 네트워크 아키텍처

네트워크는 4 단계의 리프팅 레벨을 가진 멀티스케일 아키텍처를 사용합니다. 공유 기저 함수를 추출하기 위해 Mamba 기반 인코더를 활용하고, 인스턴스별 정제를 위해 제안된 불연속 갈라킨 주의 계층을 적용합니다. 이 시스템은 다양한 경계 조건 (뉴만, 디리클레, 주기적) 과 수치 플럭스 공식을 지원합니다.

3. 주요 기여

1. 물리적 정렬: 이 논문은 공간적으로 변하고 국소적으로 지지되는 적분 연산자의 물리학에 명시적으로 기반을 둔 초점 흐림 제거를 위한 최초의 신경 연산자 공식을 제시하며, 평행 이동 불변 아키텍처에 대한 원칙적인 대안을 제공합니다.
2. DGNO 프레임워크: 전역 연산자를 요소 국소 부피 적분과 인터페이스 수치 플럭스로 분해하는 불연속 갈라킨 신경 연산자의 제안. 여기에는 일반적인 인터페이스 기반 플럭스 공식과 경량 P0DG 근사가 모두 포함됩니다.
3. 우수한 성능: 광범위한 실험을 통해 DGNO 가 공간적으로 변하고 불연속적인 흐림을 효과적으로 포착하여, 재구성 품질과 하위 작업 성능 측면에서 최첨단 신경 연산자 및 이미지 복원 방법보다 우수함을 입증했습니다.

4. 실험 결과

저자들은 세 가지 현미경 데이터셋 (BBBC006w1, BBBC006w2, 3DHistech) 과 하나의 자연 이미지 데이터셋 (DPDD) 에서 DGNO 를 평가했습니다.

• 정량적 성능: BBBC006w1 에서 DGNO-Cell 은 PSNR 37.22 dB와 SSIM 0.959를 달성하여 이전 최고 성능 (Restormer) 을 약 1.87 dB 상회했습니다. DGNO-Face 는 37.09 dB를 기록했습니다. 더 까다로운 BBBC006w2 에서 DGNO 는 MPT 와 Restormer 를 각각 2.18 dB 와 0.96 dB 상회했습니다.
• 절대성 연구:
  • 전역 갈라킨 (GG) 연산자 (SRNO) 와 비교하여 DGNO 는 일관된 개선을 보여주었으며, 불연속성과 국소성을 모델링하는 필요성을 검증했습니다.
  • 유효 랭크 분석은 DGNO 가 전역 연산자에 비해 반복 정제 과정에서 더 높은 기저 다양성을 유지하고 랭크 붕괴를 방지함을 보여주었습니다.
  • DGNO 는 가장자 - 대역 영역과 미세한 세포 구조에서 우수한 성능을 보였으며, 경계 근처의 재구성 오차를 감소시켰습니다.
• 하위 작업: StarDist 를 사용한 세포 탐지 작업에서 DGNO 로 흐림이 제거된 이미지는 평균 정밀도 (0.5561) 가 가장 높았으며, 다른 방법들을 크게 능가하고 세포 경계 구조를 더 잘 보존했습니다.
• 일반화: DGNO 는 실제 자연 이미지 초점 흐림 (DPDD 데이터셋) 에 잘 일반화되었으며 다양한 초점 흐림 수준에서 견고성을 보여주었습니다.

5. 중요성과 주장

이 논문은 DGNO 가 국소성, 이질성 모델링, 전역 일관성의 원칙적인 결합을 제공한다고 주장합니다. 광학 이미지 형성의 근본적인 물리학을 보존함으로써, 이 방법은 기존 심층 학습 접근법보다 더 선명한 재구성과 공간적으로 변하는 흐림에 대한 견고한 처리를 달성합니다.

저자들은 그들의 접근 방식이 이미지 복원 품질을 향상시키고 세포 탐지 및 분할과 같은 하위 현미경 분석을 지원하기 위한 연구용으로 의도되었다고 강조합니다. 그들은 이 방법이 임상 진단을 수행하지 않는다고 명시적으로 밝힙니다. 이 연구는 신경 연산자를 통해 조각상 적분 연산자로 초점 흐림을 모델링하는 것이 병리학적 영상에서 잘못된 역문제를 해결하기 위한 새로운 물리적 해석 가능한 관점을 제공함을 강조합니다.