Physics-Driven Zero-Shot MRI Reconstruction with Non-local Image Priors

기술 요약: 비국소적 이미지 프라이어를 활용한 물리 기반 제로샷 MRI 재구성

문제 정의

제로샷 자기지도 학습(Zero-Shot Self-Supervised Learning, ZS-SSL)은 완전히 샘플링된 외부 데이터셋에 대한 의존성을 제거하는 것을 목표로 하며, 가속화된 자기공명영상(MRI) 재구성을 위한 유망한 패러다임으로 부상했습니다. 그러나 기존의 ZS-SSL 방식은 단일 저샘플링 스캔으로부터만 학습할 때 다음과 같은 두 가지 주요 문제에 직면합니다:

1. 감독 신호의 부족 (Supervision Scarcity): 단일 피험자로부터 학습하는 것은 가용한 학습 신호를 제한하여, 종종 과적합이나 아티팩트(artifact)를 유발합니다.
2. 최적화 불안정성 (Optimization Instability): 단일 스캔에 대해 학습하는 것은 노이즈나 특정 아티팩트로 인해 하위 최적해(suboptimal solutions)로 수렴할 내재적 위험을 안고 있으며, 이는 강력한 물리 기반 정규화의 부재로 인해 더욱 악화됩니다.

또한, 기존의 ZS-SSL 프레임워크는 k-스페이스 자기-지도 학습에 주로 집중하느라 이미지 도메인에 존재하는 풍부한 비국소적 자기 유사성(non-local self-similarity) 프라이어를 간과하는 경향이 있습니다.

방법론

본 논문은 물리적 일관성 제약 조건과 이미지 도메인의 비국소적 프라이어를 결합한 견고한 ZS-SSL 프레임워크를 제안합니다. 이 아키텍처는 학습을 안정화하고 감독을 증강하기 위해 세 가지 핵심 모듈을 통합합니다.

1. CSM 가이드형 동적 저장소 (CSM-Guided Dynamic Repository)

확률적 변동을 완화하고 물리적으로 일치하지 않는 아티팩트를 필터링하기 위해, 본 방법은 고충실도 k-스페이스 성분을 보관하는 동적 저장소를 사용합니다.

• 메커니즘: 각 학습 에포크마다 코일 민감도 맵(Coil Sensitivity Map, CSM) 가이드형 일관성 점수를 기반으로 요소별로 업데이트되는 저장소를 운용합니다.
• 점수 계산: 점수 $s(y)$는 SENSE 모델으로부터의 편차를 측정합니다 ($s(y) = \|y - FSSHF^H(y)\|^2$). 편차가 낮은(물리적 일관성이 높은) 성분이 유지됩니다.
• 기능: 이 모듈은 코일 민감도 제약 조건을 준수하는 고신뢰도 k-스페이스 지점을 제공함으로써 학습 궤적을 안정화합니다.

2. SPIRi-기반 정규화 (SPIRiT-based Regularization)

이 모듈은 다중 코일 MRI에 내재된 코일 간 상관관계를 활용하여 k-스페이스 자기 일관성을 강제합니다.

• 커널 캘리브레이션: SPIRiT 커널 $G$는 제로-센터 제약 조건 하에서 경사 하강법을 통해 오직 자동 캘리브레이션 신호(ACS) 영역만을 통해 캘리브레이션됩니다.
• 확률적 앙상블: 추론 단계에서, SPIRiT로 캘리브레이션된 k-스페이스는 베르누이 마스크(Bernoulli mask, $M_r$)를 사용하는 확률적 마스킹 전략을 통해 저장소 데이터와 결합됩니다.
• 기능: 이는 엄격한 물리적 제약을 부과하는 동시에, 저장소의 안정성과 SPIRiT 일관성 사이를 무작위로 전환함으로써 네트워크가 특정 커널 아티팩트에 과적합되는 것을 방지합니다.

3. 비국소 자기 유사성 (NSS) 픽셀 뱅크

감독 신호의 부족 문제를 해결하기 위해, 본 프레임워크는 이미지 도메인 내의 비국소적 해부학적 유사성을 명시적으로 탐색합니다.

• 패치 마이닝 (Patch Mining): 추정된 이미지의 각 픽셀에 대해 패치를 추출하고, 탐색 윈도우 내의 인접 패치들과 코사인 유사도를 계산합니다.
• 픽셀 뱅크 구축: 시스템은 가장 유사한 상위-$N$개 패치의 중심 픽셀들을 저장하여 고충실도 참조 픽셀 뱅크를 생성합니다.
• 독점적 마스킹 (Exclusive Masking): 정보 누출을 방지하기 위해 엄격한 "독점적 마스크" 전략이 사용됩니다. 픽셀 뱅크에서 파생된 참조 데이터는 획득 마스크(acquisition mask)와 서로 겹치지 않는(ACS 영역 제외) 학습 파티션에 매핑됩니다.
• 기능: 이는 단일 피험자 자체로부터 증강된 학습 샘플을 효과적으로 합성하며, 희소한 감독 신호를 보강하는 의사 라벨(pseudo-labels) 역할을 수행합니다.

손실 함수 (Loss Function)

전체 목적 함수는 데이터 일관성 손실($L_{dc}$)과 NSS 픽셀 뱅크로부터 유도된 정규화 항($L_{reg}$)의 결합으로 구성됩니다:
$$L_{total} = L_{dc} + \lambda_{reg} \frac{1}{K} \sum_{k=1}^{K} L(\bar{y}_k, (1 - \bar{M}_k) \odot f(\bar{y}_k \odot \bar{M}_k, \bar{M}_k; \theta))$$
여기서 $\lambda_{reg}$는 데이터 충실도와 비국소적 프라이어 일관성 사이의 균형을 조절합니다.

주요 기여

1. CSM 가이드형 동적 저장소: 코일 민감도 일관성에 기반하여 고신뢰도 k-스피스 지점을 확보하는 메커니즘으로, 견고한 데이터 충실도를 보장하고 앙상블 융합을 위한 안정적인 타겟을 제공합니다.
2. SPIRi-기반 정규화: 학습된 커널과 확률적 마스킹을 통해 k-스페이스 자기 일관성을 강제하는 연산으로, 물리적 제약을 부과하면서 특정 커널 아티팩트에 대한 과적합을 방지합니다.
3. NSS 픽셀 뱅크: 이미지 도메인 내의 반복적인 유사 구조를 명시적으로 탐색하여, 외부 데이터 없이도 훈련을 증강할 수 있는 고충실도 프라이어를 구축함으로써 감독 신호 부족 문제를 완화합니다.

실험 결과

본 방법은 FastMRI 데이터셋(Brain T1, Brain T2, Knee 서브셋)에 대해 4$\times$ 및 8$\times$ 가속 계수에서 균등(uniform) 및 가변 밀도(variable density) 마스크를 사용하여 평가되었습니다.

• 정량적 성능: 제안된 방법은 모든 데이터셋과 가속 계수에서 최첨단(state-of-the-art) 성능을 달ت했습니다. 예를 들어, 4$\times$ 균등 마스크를 적용한 FastMRI Brain T1 데이터셋에서, 본 방법은 PSNR 37.04 dB와 SSIM 0.9265를 달성하여 SSDU(35.51 dB) 및 ZS-SSL(36.03 dB)과 같은 베이스라인을 능가했습니다.
• 시각적 품질: 시각적 비교 결과, 베이스라인 대비 우수한 아티팩트 억제 및 노이즈 제거 능력을 보여주었습니다. L1-ESPIRiT와 같은 방법들은 과도하게 매끄러운(over-smoothed) 결과를 냈고, SSDU나 ZS-SSL 등은 상당한 아티팩트를 겪은 반면, 제안된 방법은 고주파 세부 사항과 구조적 경계를 잘 보존했습니다.
• 절제 연구 (Ablation Studies):
  • 모든 구성 요소가 성능 향상에 긍정적으로 기여했습니다. 특히 NSS 픽셀 뱅크는 베이스라인 대비 가장 큰 개별 향상(+0.89 dB)을 제공했습니다.
  • 독점적 마스크(Exclusive Mask)는 매우 중요했습니다. 이를 제거하면 정보 누출로 인해 성능 저하가 발생했습니다.
  • SPIRi트 융합을 위한 베르누이 샘플링 비율($r$)은 0.5에서 정점을 찍었으며, 이는 저장소의 안정성과 SPIRiT 일관성 사이의 균형 잡힌 융합이 최적임을 나타냅니다.

의의

본 논문은 물리 기반 일관성(CSM 및 SPIRiT를 통해)과 이미지 도메인의 비국소적 프라이어를 결리함으로써, 제안된 프레임워크가 제로샷 학습과 완전 지도 학습 사이의 성능 격차를 효과적으로 메울 수 있다고 주장합니다. 이 접근 방식은 외부 그라운드 트루스 데이터셋 없이도 단일 스캔 학습의 근본적인 한계인 감독 신호 부족과 최적화 불안정성을 해결합니다. 결과는 내재된 물리적 제약과 해부학적 자기 유사성을 활용함으로써 극단적인 가속 계수에서도 견고하고 고충실도인 MRI 재구성을 얻을 수 있음을 시사합니다.