Robustness and Stability Analysis of Differentiable Shift-Variant FBP for Cone-Beam CT under Challenging Acquisition Settings

기술 요약: 미분 가능한 변위형(Shift-Variant) FBP의 강건성 및 안정성 분석: 코ーン 빔 CT를 중심으로

문제 정의
코ーン 빔 컴퓨터 단층 촬영(CBCT)은 영상 유도 중재 시술에 널리 사용되지만, 비표준 획득 설정 하에서 높은 영상 품질을 유지하는 것은 여전히 도전적인 과제이다. Feldkamp-Davis-Kress(FDK) 알고리즘은 계산 효율성은 높으나 원형 궤도를 가정하므로, 로봇 C-arm 시스템에서 흔히 발생하는 비원형 또는 불규칙한 궤도에 적용될 경우 성능이 크게 저하된다. 반면, 모델 기반 반복 재구성(MBIR) 방식은 일반적인 궤도를 처리할 수 있지만, 높은 계산 비용과 복잡한 정규화 요구 사항이라는 단점이 있다. 기존 연구에서는 데이터 기반으로 중복성 가중치(redundancy weights)를 학습하여, 궤도 미분에 의존하는 해석적 가중치 없이도 작동하는 미분 가능한 변위형 필터 보정 역투영(SV-FBP) 프레임워크를 도입하였다. 그러나 이 프레임워크가 매우 불규칙하고 불연속적이며 희소한 뷰(sparse-view) 조건에서의 강건성을 갖는지, 그리고 멀티 아이소센터(multi-isocenter) 기하학적 구조에도 적용 가능한지에 대한 체계적인 평가가 필요했다.

방법론
본 연구는 '기지 연산자 학습(Known Operator Learning)'에 기반한 핵심 미분 가능 SV-FBP 아키텍처를 유지한다. 이 프레임워크 내에서 재구성 파이프라인은 신경망으로 재구성되며, 해석적 연산자(2D Radon 변환, 미분, 역투영)는 명시적으로 유지하되 궤도에 의존적인 중복성 가중치만을 데이터로부터 학습한다. 이러한 접근 방식은 해석 가능성을 보존하면서도 임의의 소스 궤도에 대한 적응을 가능하게 한다.

평가는 실제 임상에서 사용되는 Artis zeego C-arm CT 기하학을 활용하여 세 가지 뚜렷한 실험 방향으로 수행되었다:

1. 불연속 궤도(Discontinuous Trajectories): 프레임워크는 세 가지 고정 아이소센터 궤도 클래스인 무작위 궤도(RT), 무작위 최근 이웃 재정렬(RNNR), 무작위 가장 먼 이웃 재정렬(RFNR)에 대해 테스트되었다. 이는 완전한 무작위 상태부터 극도로 불연속적인 도약에 이르기까지, 궤도의 순서와 연속성에 대한 민감도를 테스트하도록 설계되었다.
2. 희소 뷰 재구성(Sparse-View Reconstruction): 대수적 반복 재구성(AIR) 베이스라인과 비교하여 방법론의 한계를 식별하기 위해 다양한 투영 밀도(400, 300, 200, 100 뷰) 하에서 성능을 평가하였다.
3. 멀티 아이소센터 기하학(Multi-Isocenter Geometry): 스캔 과정 동안 회전 중심이 연속적으로 변하는 리사주-새들(Lissajous-saddle) 궤도에 프레임워크를 적용하여, 고정 아이소센터 가정을 넘어선 적용 가능성을 테스트하였다.

학습에는 기하학적 프리미티브를 포함한 합성 그라운드 트루스 볼륨이 사용되었으며, 추론에는 합성 데이터와 Pancreatic-CT-CBCT-SEG 데이터셋의 실제 환자 데이터가 모두 포함되었다. 모델은 결합된 MSE 및 SSSSIM 손실 함수를 사용하여 최적화되었다.

주요 기여

• 체계적인 강건성 분석: 본 연구는 공격적인 불연속성(RFNR) 하에서도 미분 가능한 SV-FBP가 안정적으로 유지됨을 입증함으로써 포괄적인 강건성 평가를 제공한다.
• 성능 동인 식별: 분석 결과, 재구성 품질은 궤도의 연속성이나 순서보다는 샘플링 지점의 공간적 분포에 의해 주로 결정됨을 밝혀냈다.
• 희소 뷰 전이 영역 규명: 본 논문은 적절한 샘플링 밀도(300–400 뷰)에서는 반복적 방식과 경쟁 가능한 수준을 유지하지만, 심각한 언더샘플링(100–200 뷰) 상황에서는 반복적 데이터 일관성(data consistency)의 부재로 인해 성능이 저하되는 명확한 전이 영역을 식별하였다.
• 멀티 아이소센터 적용성: 프레임워크가 아키텍처 수정 없이도 비평면, 멀티 아이소센터 궤도(Lissajous-saddle)에서 효과적으로 작동함을 보여주었다.

결과

• 궤도 강건성: RT, RNNR, RFNR 궤도 전반에 걸친 정량적 지표(MSE, PSNR, SSIM)는 매우 일관되었다. 시각화 결과, 재구성 품질은 불연속성이 증가하더라도 유의미하게 저하되지 않았다. 학습된 중복성 가중치는 소스 위치 인덱싱을 정렬한 후 모든 궤도 유형에서 유사한 공간 패턴을 보였으며, 이는 모델이 궤도 순서가 아닌 샘플의 공간적 분포에 적응함을 나타낸다.
• 희소 뷰 성능: 중간 정도의 샘플링(300–400 뷰)에서 미분 가능한 SV-FBP는 50회 반복의 AIR와 대등하거나 약간 더 나은 재구성 품질을 달면서도, 계산 시간을 약 10배(one order of magnitude) 단축하였다. 심각한 언더샘플링(100–200 뷰) 환경에서는 AIR의 반복적 업데이트가 불일치하는 측정값을 부분적으로 보완하는 반면, SV-FBP와 같은 FBP 유형의 파이프라인은 이를 수행할 수 없으므로 반복적 베이스라인이 더 우수한 성능을 보였다.
• 멀티 아이소센터 평가: 리사주-새들 궤도에서 프레임워크는 고정 아이소센터 사인파 궤도와 대등한 지표(MSE: 0.0984, PSNS: 36.41 dB, SSIM: 0.9521)를 달성하였으며, 제한된 아티팩트 속에서도 미세한 구조적 세부 사항을 성공적으로 재구성하였다.

의의 및 주장
본 논문은 미분 가능한 SV-FBP를 비표준 및 로봇 CBCT 획득 시나리오를 위한 유연하고 효율적인 솔루션으로 제시한다. 연구 결과는 이 방법이 강한 궤도 불규칙성에도 강건함을 명확히 하여, 해석적 가중치 방식이 실패하는 복잡한 로봇 경로에 적합함을 보여준다. 다만, 저자들은 반복적 데이터 일관성의 부재로 인해 심각한 언더샘플링 상황에서 성능 저하가 발생한다는 점을 언급하며 한계를 겸허히 인정하였다. 결과적으로, 이 프레임워크는 해석적 재구성의 속도와 데이터 기반 가중치의 유연성 사이의 실용적인 절충안으로서, 획득 궤도가 표준 원형 설계를 벗어나더라도 샘플링 밀도가 적절히 유지되는 임상 응용 분야에 유효한 대안으로 제시된다. 향후 연구로는 심각한 언더샘플링 문제를 해결하기 위해 이 프레임워크를 명시적인 데이터 일관성 메커니즘과 결합하는 것이 제안되었다.