Multilevel Stochastic Plug-and-Play for Sparse-View CT Reconstruction

기술 요약: 희소 뷰 CT 재구성을 위한 다층 확률적 플러그 앤 플레이(Multilevel Stochastic Plug-and-Play)

문제 정의
희소 뷰 컴퓨터 단층 촬영(Sparse-view CT, SVCT)은 투영 뷰의 수를 제한하여 방사선 노출과 획득 시간을 줄이는 것을 목표로 한다. 그러나 이러한 감소는 필터 보정 역투영(Filtered Backprojection, FBP)과 같은 전통적인 해석적 방법을 사용할 때 심각한 스트라이크 아티팩트(streak artifacts)를 유발하여 이미지 재구성 문제를 매우 부정치(ill-posed)하게 만든다. 모델 기반 반복 재구성(MBIR) 및 딥러닝 기반 플러그 앤 플레이(Plug-and-Play, PnP) 방법은 학습된 이미지 사전 확률(prior)을 통합함으로써 재구성 품질을 개선해 왔으나, 상당한 계산적 과제에 직면해 있다. 구체적으로, 확률적 PnP 방법(예: SNORE, Prox-SNORE)은 재노이징(re-noising)을 통해 디노이저 입력 분포를 일치시킴으로써 강건성을 높이지만, 종종 수렴을 위해 많은 반복 횟수를 필요로 하여 임상 환경에서의 실질적인 효율성을 제한한다. 나아가, 다층 최적화(coarser resolution에서 문제를 해결하여 수렴을 가속화하는 방식)를 확률적 P파(stochastic PnP)로 확장하는 것은 쉽지 않은데, 이는 해상도 레벨 간의 사전 확률 일관성(prior coherence)을 강제하기 위해 미세 레벨의 사전 확률 기울기(gradient)를 정확하게 추정해야 하기 때문이다. 이는 확률적 디노이징 단계의 특성상 계산 비용이 매우 높다.

방법론
저자들은 웨이브릿 기반 다해상도 분석(Multiresolution Analysis, MRA) 프레임워크 내에서 작동하여 SVCT를 위한 확률적 PnP 재구성을 가속화하는 새로운 알고리즘인 **다층 확률적 플러그 앤 플레이(Multilevel Stochastic Plug-and-Play, ML-SPnP)**를 제안한다.

1. 웨이브릿 MRA 정식화: 이 방법은 2-D Haar 웨이브릿을 사용하여 근사 공간(approximation spaces)의 계층 구조를 구축한다. 이미지 도메인은 거친 근사 계수(coarse approximation coefficients)와 미세 세부 계수(fine detail coefficients)로 분해된다.
2. 확률적 사전 확률 일관성 상쇄: 핵심적인 이론적 기여는 확률적 설정에서 레벨 간 사전 확률 일관성을 강제하는 것이 대개 확률적 사전 확률의 기울기를 추정하는 것을 요구하며, 이는 비용이 많이 드는 몬테카를로 평가를 포함한다는 관찰이다. 저자들은 문제의 다층 단계를 웨이브릿 MRA 공간에서 수행할 것을 제안한다. 근사-세부 독립 가정(Approximation-Detail Independence Assumption, 거친 근사와 미세 세부를 독립적인 것으로 취급) 하에서, 저자들은 확률적 사전 확률-일관성 보정 항이 기댓값에서 소거됨을 증명한다.
   • 결과적으로, 알고리즘은 결정론적인 **데이터 충실도 일관성 보정(data-fidelity coherence correction)**만을 계산하면 되므로 계산 오버헤드가 크게 감소한다.
3. 어닐링 다층 업데이트(Annealed Multilevel Updates): 알고리즘은 반복 횟수에 따라 노이즈 레벨($\sigma_k$)이 감소하는 어닐링 스케줄을 채택한다. 초기 반복 단계의 높은 노이즈 레벨은 안정적인 거친 레벨 보정을 위한 강력한 디노이징을 유도하는 반면, 후기 단계의 낮은 노이즈 레벨은 미세한 세부 사항을 복원한다.
4. 알고리즘 흐름: 이 방법은 초기 "웜업(warm-up)" 단계($K_{ML}$ 반복) 동안에만 다층 업데이트를 활성화한다. 이 단계 동안 알고리즘은 계층적 해상도(V-cycle)를 통과하며, 확률적 고정점 단계(stochastic fixed-point steps)를 사용하여 거친 문제들을 근사적으로 해결한다. 웜업 이후에는 표준 미세 레벨 확률적 PnP 업데이트(구체적으로 Prox-SNORE)를 진행하여 그 수렴 보장을 상속받는다.

주요 기여

• 최초의 확률적 다층 PnP: 본 논문은 확률적 PnP 정규화에 특화된 최초의 다층 재구성 알고리즘을 소개한다.
• 일관성에 대한 이론적 통찰: 저자들은 확률적 PnP와 효율적인 다층 최적화를 결합하는 데 있어 주요 병목 현상이 확률적 사전 확률 기울기 추정임을 식별하였다. 문제를 웨이브릿 MRA 공간으로 재정식화함으로써, 이 보정 항이 기댓값에서 소거됨을 입증하였으며, 이를 통해 결정론적인 데이터 충실도 보정만을 남겼다.
• 효율적인 SVCT 재구성: 제안된 방법은 상태 최첨단(state-of-the-art) 확률적 PnP 방법들과 대등한 재구성 품질을 달면서도 실행 시간을 실질적으로 단축한다.

실험 결과
본 방법은 두 가지 의료 CT 데이터셋인 림프절(Lymph Nodes) 데이터셋과 Head CQ500 데이터셋에 대해 희소 뷰 조건(20, 30, 40, 50 투영 뷰) 하에서 평가되었다.

• 정량적 성능: ML-SPnP는 베이스라인 확률적 PnP 방법들(Prox-SNORE 및 Annealed Prox-SNORE)과 거의 동일한 PSNR, SSIM, LPIPS 점수를 달성하였다.
• 계산 효율성: 이 방법은 상당한 속도 향상을 제공하였다. 림프절 데이터셋의 경우, 실행 시간이 Prox-SNORE 대비 약 58–67%, Annealed Prox-SNORE 대비 20–52% 감소하였다. CQ500 데이터셋에서는 각각 약 41–57% 및 **6–32%**의 감소를 보였다.
• 확산 모델 및 결정론적 PnP와의 비교:
  • 확산 기반 솔버(DiffPIR, DDS)와 비교했을 때, ML-SPnP는 특히 매우 부정치한 환경(20–30 뷰)에서 더 우수한 지각적 품질(낮은 LPIPS)을 제공하며 환각 구조(hallucinated structures)가 적었다.
  • 결정론적 다층 PnP(Prox-ML-PnP)와 비교했을 때, ML-SPnP는 때때로 약간 낮은 PSNR/SSIM을 보였으나, 결정론적 변형에서 관찰되는 과도한 평활화(oversmoothing)를 피하면서 훨씬 더 나은 LPIPS 점수와 국소 해부학적 세부 사항의 시각적 보존 능력을 보여주었다.
• 절제 연구(Ablation Studies):
  • 사전 확률 일관성 비용: 웨이브릿 상쇄 없이 표준 다층 정식화를 시뮬레이션했을 때, 사전 확률 기울기를 추정하기 위해 여러 번의 디노이저 평가(NFE)가 필요하여 실행 시간이 급격히 증가했다. ML-SPnP는 이를 완전히 회피하였다.
  • 어닐링(Annealing): 다층 단계 동안 감소하는 노이즈 스케줄(어닐링)을 사용하는 것이 고정 노이즈 다층 업데이트를 사용하는 것보다 재구성 품질을 일관되게 향상시켰다.

의의 및 주장
본 논문은 ML-SPnP가 희소 뷰 CT 재구성을 위해 정확도와 계산 비용 사이의 유리한 절충안을 제공한다고 주장한다. 웨이브릿 분해의 구조를 활용하여 값비싼 확률적 사전 확률 기울기 추정의 필요성을 제거함으로써, 이 방법은 일반적인 수렴 페널티 없이도 견고한 확률적 PnP 사전 확률를 다층 프레임워크에서 사용할 수 있게 한다.

저자들은 다층 단계를 독립적인 수렴 보증이라기보다는 효과적인 웜 스타트(warm-start) 메커니즘으로 위치시키며, 다층 단계의 점근적 수렴 특성은 기본 미세 레벨 확률적 PnP 알고리즘으로부터 상속된다고 언급한다. 저자들은 다층 확률적 PnP가 효율적이고 신뢰할 수 있는 SVCT 재구성을 위한 유망한 방향임을 결론짓지만, 독립성 가정의 이상화 및 실제 임상 데이터에 대한 검증 필요성에 대한 한계도 인정한다.