기술 요약: X-Splat

문제 정의

단일 파노라마 방사선 사진(PXR)으로부터 3D 치과 볼륨을 생성하는 것은 매우 과소 결정된(underdetermined) 역문제(inverse problem)를 제시한다. 수백 개의 투영 영상을 획득하여 서브 밀리미터 단위의 감쇠 볼륨을 재구성하는 CBCT와 달리, PXR은 곡선 형태의 X선 경로를 따라 3차원 감쇠를 하나의 2D 이미지로 통합하므로, 깊이 정보가 포함된 해부학적 구조를 관찰할 수 없게 만든다.

이 문제에 대한 기존 접근 방식들은 세 가지 주요 한계점에 직면해 있다:

1. 표현 방식의 문제: 컨볼루션 인코더-디코더 또는 암시적 신경장(implicit neural fields, 예: NeRF)에 의존하는 방법들은 치근 경계, 피질골 표면, 하악관과 같은 날카로운 해부학적 인터페이스를 체계적으로 저해상도로 표현하는 매끄러운 표현을 생성한다.
2. 입력 제약 및 일관성: 일부 방법은 추가적인 입력(예: 치아 아치 곡선)을 요구하거나, 국소적으로는 그럴듯하지만 전역적으로는 실제 치아 토폴로지와 일치하지 않는 볼륨을 생성한다.
3. 평가 결함: 현재의 평가는 PSIM, SSIM과 같은 강도 기반 메트릭에 크게 의존하고 있는데, 이는 임상적으로 중요한 구조가 올바르게 회복되었는지 여부를 반영하지 못하며, 상당한 구조적 부정확성을 은폐할 수 있다.

방법론: X-Splat

저자들은 단일 PXR로부터 CBCT와 유사한 3D 치과 볼륨을 생성하기 위해 설계된 최초의 가우시안 스플래팅(Gaussian Splatting) 프레임워크인 X-Splat을 제안한다. 이 방법은 알려진 파노라마 획득 기하학을 생성 스캐폴드(scaffold)로 활용하여, 이 작업을 표준적인 토모그래피 재구성이 아닌 기하학적 제약이 있는 생성 작업으로 정식화한다.

핵심 구성 요소

1. 기하학적 앵커 기반 초기화:

   • 앵커 위치를 처음부터 학습하는 대신, X-Splat은 알려진 파노라마 광선 기하학을 활용한다.
   • 하나의 학습 가능한 비등방성(anisotropic) 3D 가우시안 프리미티브를 각 광선 샘플당 하나씩 할당하여(약 600만 개의 앵커), 치아 아치와 턱 영역을 조밀하게 덮는다. 이는 입력 정보가 유효한 곳에 표현 능력을 집중시킨다.

2. 피드 포워드 예측 및 정교화:

   • 공유 MLP: 단일 다층 퍼셉트론(MLP)이 단일 순전파(forward pass)를 통해 모든 가우시안 프리미티브의 변위, 스케일, 회전 및 밀도를 예측한다. 네트워크는 글로벌 이미지 특징과 각 점의 위치 인코딩(positional encoding)을 사용한다.
   • 제약된 이동: 가우시안은 슬라이스 간 간섭을 방로하기 위해 XY 평면 내에서 앵커 광선을 따라서만 이동할 수 있다. 또한 상하(Z축) 회전이 제한된다.
   • 잔차 정교화기(Residual Refiner): 경량 3D 잔차 U-Net이 거친 가우시안 볼륨을 정교화한다. 이 구성 요소는 가우시안이 해결한 기하학적 충실도를 덮어쓰지 않으면서, 데이터셋 수준의 해부학적 사전 지식(예: 일반적인 턱 형태)을 작은 보정값으로 추가한다. 정교화기는 모집단 수준의 해부학적 특징을 암기하는 것을 방지하기 위해 제로-보정(zero-correction)으로 초기화된 작은 크기로 유지된다.

3. 학습 감독 및 손실 함수:

   • Beer-Lambert 재투영: 예측된 볼륨을 시뮬레이션된 PXR으로 다시 렌더링하여 입력값과 비교함으로써 물리적 일관성을 강제한다.
   • 다중 뷰 DRR 일관성: 깊이 모호성을 해결하기 위해, 모델은 학습 과정에서 31개의 방위각 방향으로부터 생성된 디지털 재구성 방사선 사진(DRR)에 의해 감독된다. 이는 가능한 해법 집합을 해부학적으로 일관된 기하학적 구조로 수렴시킨다.
   • 기하학적 및 지각적 손실: 최대 강도 투영(MIP) 손실은 직교하는 구조적 감독을 제공하며, VGG 기반 지각 손실은 고주파 해부학적 디테일을 장려한다.
   • 볼륨 강도 손실: 예측값과 실제 CBCT 사이의 평균 제곱 오차(MSE)가 적용된다.

주요 기여

1. PXR-to-3D를 위한 최초의 가우시안 스플래팅 프레임워크: X-Splat은 Beer-Lambert 재투영과 다중 뷰 방사선 감독에 의해 제약된 명시적 비등방성 가우시안 프리미티브를 도입하여, 매끄러운 암시적 필드에 대한 기하학적 근거가 있는 대안을 제시한다.
2. 미세 구조의 회복: 이 방법은 개별 치근, 피질 경계, 하악관과 같이 기존 방법들이 체계적으로 놓치거나 환각(hallucinate)을 일으키는 구조들을 성공적으로 회복한다. 이는 알려진 획득 기하학을 바탕으로 공유 네트워크가 프리미티브 속성을 예측하는 광선 앵커 표현을 통해 달성된다.
3. 기하학 인식 평가: 저자들은 집계된 복셀 오차를 넘어 특정 상악안면 구조의 회복을 평가하기 위해 세그멘테이션 기반 메트릭(치아 볼륨 재현율, 관(canal) 볼륨 재현율, 환각 볼륨)을 도입한다.

실험 결과

모델은 ToothFairy3 데이터셋의 일부(쌍을 이룬 세그멘테이션 라벨이 있는 60개의 스캔)로 학습되었으며, Beer-Lambert 법칙을 통해 생성된 합성 PXR-CBCT 쌍을 사용하였다.

• 정량적 성능: X-Splat은 모든 메트릭에서 최신 기술(NeRF 기반 NeBLa, GAN, Residual CNN 포함)보다 우수한 성능을 보였다.
  • 표면 정확도: BA-ASD(Big Anatomy Average Surface Distance) 2.39 mm를 달성하였으며, 이는 차순위인 오라클 프리(oracle-free) 방법인 GAN(10.60 mm) 및 암시적 필드 베이스라인인 NeBLa(35.67 mm)보다 현저히 낮은 수치이다.
  • 관(Canal) 회복: 하악관 볼륨의 **67.33%**를 회복하였으며, 이는 NeBLa(1.14%) 및 Residual CNN(27.62%)과 비교되는 성과이다.
  • 환각 억제: 가장 낮은 환각 볼륨(2.96%)을 기록하였으며, 이는 다중 뷰 DRR 규제가 허위 양성(false positives)을 효과적으로 억제함을 나타낸다.
• 정성적 성능: 시각화 결과, X-Splat은 피질골과 해면골의 분리, 상악동, 그리고 연속적인 관 구조로서의 하악관을 회복한다. 경쟁 방법들과 달리, 치아가 없는 영역에 치아를 환각하여 생성하지 않는다.
• 절제 연구(Ablation Studies):
  • 암시적 필드를 고정된 가우시안 앵커로 대체했을 때 BA-ASD가 2.9배 감소하였다.
  • 광선에 정렬된 가우시안 이동을 허용하는 것이 성능을 더욱 향상시켰으며, 이는 암시적 기하학 규제 역할을 수행했다.
  • 다중 뷰 DRR 감독($L_{mv}$)은 표면 정확도에서 가장 큰 이득을 제공하였으며, 이는 깊이 모호성을 해결하는 역할을 확인시켜 주었다.

의의 및 주장

본 논문은 X-Splat이 CBCT를 사용할 수 없거나, 불필요하거나, 실행하기 어려운 환경에서 확장 가능한 3D 치과 분석을 향한 중요한 진전임을 주장한다. 알려진 획득 기하학을 스캐폴드로 활용함으로써, 이 방법은 매우 과소 결정된 문제를 기하학적 제약이 있는 볼륨 추론 작업으로 전환한다.

저자들은 명시적인 가우시안 표현이 제약 없는 볼륨 생성보다는 국소적인 기하학적 제어가 필요한 얇은 피질, 치근 경계, 관 구조와 같은 치과 생성에 특히 적합하다고 강조한다.

한계 및 향aw:
저자들은 현재 연구가 전체 상악안면 시야를 가진 스캔과 쌍을 이룬 세그멘테이션 라벨에 국한되어 있으며, 합성 데이터로 학습되었다는 점을 언급하였다. 다양한 환자군에 대한 일반화와 (서로 다른 스펙트럼 및 강도 특성을 가진) 실제 파노라마 시스템에 대한 적응 가능성은 아직 확립되어야 한다. 향-후 연구는 멀티 사이트 학습, 실제 PXR 적응, 그리고 조직 특화된 가우시안 밀도화(densification)에 집중될 예정이다.