기술 요약: 확산 사전 확률(Diffusion Priors)을 이용한 리처드슨-루시(Richardson–Lucy) 디콘볼루션 개선

문제 정의

형광 현미경은 생물학적 시스템 내의 표지된 분자들을 시각화하는 데 필수적이지만, 이미지 형성은 근본적으로 회절과 포아송 광자 샷 노이즈(Poisson photon shot noise)에 의해 제한됩니다. 고전적인 리처드슨-루시(RL) 디콘볼루션은 물리적 순방향 모델 하에서 포아송 로그 가능도(Poisson log-likelihood)를 최대화하여 원래의 형광 신호를 복원하려고 시도합니다. 그러나 이 역문제(inverse problem)는 특히 저광량 영역에서 불량하게 정의된(ill-posed) 문제입니다. 추가적인 제약 조건이 없다면, 반복적인 RL 업데이트는 노이즈를 증폭시키고 고주파 아티팩트를 생성하며, 미세한 생물학적 구조(예: 약한 필라멘트 또는 점상 구조)는 광학적 열화로 인해 소실될 수 있습니다.

총 변동(Total Variation, TV)과 같은 전통적인 정규화 방법은 공간적 매끄러움을 강제함으로써 해를 안정화합니다. 이는 노이즈를 줄이는 데는 효과적이지만, 종종 과도한 평활화(oversmoothing)를 유발하여 약한 세포 내 세부 구조를 억제하고 다양한 이미징 조건에 따라 세심한 하이퍼파라미터 튜닝을 요구합니다. 또한, 기존의 딥러닝 접근 방식은 특정 현미경 설정이나 시료 유형에 특화된 쌍을 이룬 데이터(paired data)를 사용한 지도 학습에 의존하는 경우가 많아 일반화 능력이 제한적입니다. 따라서 물리적 포아송 측정 모델의 일관성을 유지하면서도 다양한 생물학적 샘플에 걸쳐 일반화될 수 있는 견고한 구조적 가이드를 제공하는 방법론이 필요합니다.

방법론

저자들은 스코어 기반 확산 사전 확률(score-based diffusion prior)을 RL 최적화 루프에 통합한 분리형 역문제 프레임워크인 Diffusion-RL을 제안합니다. 핵심 혁신은 생물학적 형태(morphology)를 학습하는 것과 측정 일관성을 강제하는 것을 분리하는 데 있습니다.

1. 분리된 프레임워크

이 프레임워크는 두 가지 별개의 구성 요소 사이를 교대로 수행합니다:

• 확산 사전 확률 (구조적 가이드): 다양한 형광 현미경 이미지(공초점, 광시야, 이광자 모달리티 포함) 코퍼스에 대해 무조건적 엘루시데이팅 확산 모델(unconditional Elucidating Diffusion Model, EDM)을 학습시킵니다. 이 모델은 특정 현미경 파라미터에 조건화되지 않고, 반복되는 생물학적 구조(예: 세포 형태, 필라멘트 네트워크)의 매니폴드를 학습합니다. 추론 과정에서 확산 모델은 학습된 분포로부터 구조적 추정치 $\hat{x}_0$를 제안합니다.
• RL 데이터 일관성 (물리적 제약): 제안된 구조적 추정치는 클래식한 RL 업데이트 규칙을 사용하여 정교화됩니다. 이 단계는 측정된 광자 수($y$)와 알려진 점 퍼짐 함수(PSF, $H$)를 포아송 노이즈 모델 하에서 일치시키도록 강제합니다. RL 업데이트는 확산 추정치를 물리적 측정값과 정렬하도록 수정하는 모듈형 데이터 일관성 연산자 역할을 합니다.

2. 알고리즘 흐름

재구성 과정은 내부 정교화 루프를 갖는 역방향 확산 궤적을 따릅니다:

1. 초기화: 각 확산 단계 $t$에서, 섭동된 상태 $x_t$는 트위디(Tweedie) 디노이징 공식을 사용하여 깨끗한 구조적 추정치 $\bar{x}^0_t$로 매핑됩니다.
2. 내부 RL 루프: 이 깨끗한 추정치는 $K$번의 RL 업데이트(식 2)를 위한 초기값으로 사용되며, 이는 포아송 가능도 $p(y|x)$를 만족하도록 이미지를 정교화합니다.
3. 재노이징(Re-noising): RL로 정교화된 추정치 $\hat{x}^0_{t,RL}$은 노이즈 스케줄을 따라 다시 노이즈가 추가되어 $\hat{x}_{t,RL}$을 생성합니다.
4. 전파: 재노이징된, 데이터 일관성이 확보된 상태는 다음 확산 단계로 전달됩니다. 노이즈 레벨이 충분히 낮아지면, 미세한 세부 사항을 복구하기 위해 ODE 솔버가 사용됩니다.

3. 학습 및 구현

기초 확산 모델은 U-Net 아키텍처를 사용하여 네 가지 공개 저장소(SR-Caco-2, FMD, Neuronal Cells, RxRx1)에서 추출한 125,464개의 패치로 무조건적으로 학습되었습니다. 시료 특이적 검증을 위해 모델은 BPAE 공초점 데이터셋에 대해 미세 조정되었습니다. 결정적으로, 동일한 사전 학습된 사전 확률이 재학습 없이 다양한 PSF 및 광자 영역에 걸쳐 배치되는데, 이는 현미경 특유의 물리학이 RL 추론 단계에서만 도입되기 때문입니다.

주요 기여

• 학습된 사전 확률과 물리 모델의 통합: 본 논문은 스코어 기반 확산 모델의 분포 적합 능력과 포아송 디콘볼루션의 엄격한 물리적 제약을 결합하는 방법을 소개합니다.
• 분리된 추론 전략: 사전 확률 학습과 측정 일관성을 분리함으로써, 단일한 일반화 가능한 생물학적 사전 확률을 재학습 없이 다양한 광학 구성(다양한 PSF, 광자 수, 모달리티)에 적용할 수 있게 합니다.
• 약한 구조의 보존: 이 방법은 노이즈 억제와 세부 사항 보존 사이의 트레이드오프를 구체적으로 해결하여, TV 정규화 또는 비정규화된 RL 접근 방식에서 흔히 손실되는 약한 미세 구조를 복구하는 것을 목표로 합니다.
• 불확실성 정량화: 확산 샘플러의 확률적 특성을 통해 동일한 측정값으로부터 여러 개의 그럴듯한 재구성 이미지를 생성할 수 있으며, 이는 저광량 영역에서 재구성 신뢰도의 시각적 척도를 제공합니다.

결과

프레임워크는 다양한 광자 예산($\alpha = 5$ ~ $255$)과 PSF 너비 조건 하에서 BPAE 및 HUVEC 세포의 F-actin, 미토콘드리아, 핵을 포함한 다양한 생물학적 샘플에 대해 검증되었습니다.

• 정량적 성능: 저광량 영역($\alpha = 5, 10$)에서 Diffusion-RL은 PSNR 및 SSIM 측면에서 표준 RL 및 TV-RL을 유의미하게 능가했습니다. 예를 들어, $\alpha=5$와 가우시안 PSF($\sigma=3$) 조건에서, Diffusion-RL은 $19.94 \pm 1.96$ dB의 PSNR을 달성하여, RL($14.86 \pm 2.14$ dB) 및 TV-RL($15.72 \pm 2.10$ dB)보다 높은 성능을 보였습니다.
• 질적 개선: 시각적 비교를 통해 Diffusion-RL이 필라멘트 구조와 점상 세부 사항을 더 잘 보존함을 입증했습니다. 약한 특징을 매끄럽게 만드는 경향이 있는 TV-RL과 달리, Diffusion-RL은 반복적 RL에서 나타나는 노이즈 증폭을 피하면서도 일관된 세포 조직과 국소적 질감을 유지했습니다.
• PSF 변화에 대한 강건성: 본 방법은 더 넓은 PSF($\sigma=5$) 및 시뮬레이션된 실제 공초점 PSF 하에서도 우수한 성능을 유지하였으며, 이는 학습된 사전 확률이 증가된 광학적 열화를 효과적으로 보상함을 나타냅니다.
• 다양성 및 불확실성: 서로 다른 확률적 초기화로부터 여러 재구성을 샘플링한 결과, 주요 세포 구조는 (RL에 의해) 안정적으로 고정되어 있는 반면, 저대비 영역에서는 변동이 관찰되었습니다. 이러한 동작은 통제되지 않은 환각(hallucination)이 아니라 역문제의 내재적 불확실성을 반영합니다.

의의 및 주장

저자들은 Diffusion-RL이 광독성, 광퇴색 또는 획득 속도로 인해 광자 예산이 제한되는 **측정 제한 영역(measurement-limited regimes)**에서 형광 현미경 기술의 중요한 진보를 제공한다고 주장합니다.

• 모듈성: 특정 현미경 구성에 대한 쌍을 이룬 학습 데이터가 필요한 지도 학습 딥러닝 방법(예: CARE, 3D-RCAN)과 달리, Diffusion-RL은 추론 중에 어떤 알려진 PSF와도 결합할 수 있는 무조건적 사전 확률을 사용합니다. 이러한 모듈성은 데이터 부담을 줄이고 일반화 능력을 높입니다.
• 안정성: 이 프레임워크는 노이즈가 많은 데이터에서 미세한 세부 사항을 복구하기 위해 RL 반복을 강하게 밀어붙일 때 발생하는 노이즈 증폭 현상을 방지하는 안정적인 대안을 제공합니다.
• 물리적 충실도: RL 루프 내에 명시적인 포이슨 가능도와 PSF 제약을 유지함으로써, 본 방법은 재구성이 측정된 데이터와 물리적으로 일치하도록 보장하며, 순수 생성적 접근 방식에서 발생할 수 있는 "환각된" 구조를 방지합니다.

저자들은 Diffusion-RL이 학습된 형광 형태학을 활용함으로써 클래식한 포이슨 디콘볼루션을 효과적으로 강화하며, 도전적인 이미징 조건에서 미세한 생물학적 구조를 복구하기 위한 강력한 솔루션을 제공한다고 결론짓습니다.