Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction

기술 요약: 분할 기반 자기 지도 학습형 희소 뷰 CT 재구성의 설계 선택 사항

문제 정의
X-선 컴퓨터 단층 촬영(CT)에서, 희소 뷰(sparse-view) 측정값으로부터의 재구성은 방사선량 또는 시간 제약으로 인한 노이즈와 제한된 데이터로 인해 악화되는 불량 조건(ill-posed) 역문제이다. 딥러닝은 뛰어난 성과를 달성해 왔으나, 대부분의 방법은 정답 이미지(ground-truth images)가 쌍을 이루는 지도 학습에 의존하며, 이러한 정답 데이터는 임상 또는 산업 현장에서 구하기 어려운 경우가 많다. 자기 지도 학습(self-supervised learning), 특히 측정값 분할(예: Noise2Self 변형) 방식은 정답 없이 불완전한 측정값만으로 학습할 수 있는 해결책을 제공한다. 그러나 데이터 분할 전략, 마스킹된 측정값의 전처리, 그리고 추론 메커니즘과 같은 핵심적인 설계 선택 사항들이 미치는 영향은 여전히 명확히 이해되지 않고 있다. 또한, 많은 분할 방법들은 측정값의 독립성을 가정하지만, 이는 신틸레이터 블러(scintillator blur)로 인해 검출기 소자 간에 공간적으로 상관된 노이즈가 발생하는 실제 CT 시스템에서 자주 위배되는 가정이다. 본 논문은 이러한 설계 선택 사항들이 서로 다른 노이즈 구조(독립적 vs 상관된 노이즈)와 어떻게 상호작용하여 최적의 재구성 전략을 결정하는지 조사한다.

방법론
저자들은 분할 기반 자기 지도 학습 재구성을 분할(partitioning), 전처리(preprocessing), **추론(inference)**의 세 가지 핵심 구성 요소로 분해하는 통합 프레임워크를 제안한다.

1. 분할 전략 (Partitioning Strategies): 사이노그램(sinogram, 투영 데이터)에 적용되는 다양한 기하학적 분할 전략을 평가한다.
   • 격자 분할 (Lattice Splitting, $P_{lat}$): 사이노그램을 $d \times d$ 패치의 정규 또는 불규칙 그리드로 나누고, 패치 내 상대적 위치에 따라 픽셀을 마스킹한다.
   • 각도 분할 (Angular Splitting, $P_{ang}$): 사이노그램의 행(row)인 전체 투영 각도를 블록 단위로 마스킹한다.
   • 다중 분할 (Multi-Partition Splitting, $P_{mult}$): 각도 및 검출기 차원 모두에서 불변성을 동시에 강제하며, 두 개의 독립적인 분할 시스템으로부터 손실(loss)을 집계하는 새로운 확장 방식이다.
2. 전처리 (Preprocessing): 필터 보정 역투영(FBP)을 통한 재구성 전, 마스킹된 항목을 처리하는 두 가지 방법을 비교한다.
   • 제로 채우기 (Zero-filling): 마스킹된 항목을 0으로 남겨둔다.
   • 선형 보간 (Linear Interpolation): 가용한 이웃 값으로부터 마스킹된 항목을 추정한다.
3. 추론 전략 (Inference Strategies): 최종 영상 $\hat{x}$를 생성하기 위해 세 가지 전략을 평가한다.
   • 직접 추론 (Direct Inference, D-inf): 훈련된 네트워크를 전체 데이터에 직접 적용한다.
   • 평균 추론 (Average Inference, A-inf): 상보적인 데이터 분할들로부터 얻은 재구성 결과들을 평균한다.
   • P-불변 추론 (P-invariant Inference, P-inf): 정제된 각도 샘플링을 사용하여 사이노그램 공간에서 하위 재구성 결과들을 집계함으로써, 출력물이 특정 마스킹 분할에 불변하도록 하여 영공간(null-space) 모호성을 줄이는 새로운 전략이다.

프레임워크는 LoDoPaB-CT 데이터셋(시뮬레이션)에서 상관되지 않은 포아송 노이즈(uncorrelated Poisson noise)와 상관된 노이즈(신틸레이터 블러를 모사하기 위해 가우시안 노이즈와 컨볼루션을 통해 시뮬레이션됨) 하에서 평가된다. 검증은 실제 2DeteCT 데이터셋에서도 수행된다. 평가 지표로는 표준 오차 기반 척도(PSNR, SSIM)와 지각적/구조적 지표(LPIPS, HaarPSI)가 포함된다.

주요 기여

• 통합 프레임워크: 분할, 전처리, 추론을 분리하여 기존 방법과 새로운 확장을 통제된 방식으로 비교할 수 있는 모듈형 프레임워크를 도입하였다.
• 체계적 벤치마킹: 독립적 노이즈와 상관된 노이즈 환경 전반에 걸친 종합적인 평가를 통해, 최적의 전략이 노이즈 구조에 따라 크게 달라짐을 밝혀냈다.
• 새로운 확장: **다중 분할(Multi-Partition Splitting)**과 **P-불례 추론(P-invariant Inference)**을 도입하여, 상보적인 측정값 분할을 활용하고 추론 시 불변성을 강제할 수 있는 새로운 도구를 제공하였다.
• 노이즈 의존적 가이드라인: 격자 기반 분할이 독립적 노이즈 하에서는 우수하지만, 상관된 노이즈 및 실제 데이터 하에서는 각도 마스킹이 더 견고하다는 것을 입증하였다. 다중 분할 방식은 여러 설정에서 순수 투영 기반 분할보다 일관되게 개선된 성능을 보인다.
• 지표 분석: LPIPS, HaarPSI와 같은 지각적 지표를 포함함으로써, PSNR이나 SSIM만으로는 포착할 수 없는 마스킹 전략 간의 구조적 차이를 드러냈다.

결과

• 전처리: 마스킹된 측정값을 FBP 이전에 선형 보간하는 것이 제로 채우기보다 일관되게 높은 재구성 품질(SSIM 및 HaarPSI)을 보여주며, 특히 직접 추론에서 효과적이다.
• 노이즈 환경:
  • 상관되지 않은 노이즈 (Uncorrelated Noise): 격자 기반 분할이 각도 기반 분할보다 우수하다. 다중 분할은 순수 각도 마스킹보다 체계적인 개선을 보여준다.
  • 상관된 노이즈 (Correlated Noise): 각도 분할이 격자 분할보다 성능이 현저히 높으며, 이는 신틸레이터 블러에 의해 유도된 수평 방향의 상관관계를 피하기 때문이다. 다중 분할은 성능을 더욱 향상시키며, 때로는 불변 추론 하에서 각도 분할 단독 사용 시보다 높은 성능을 보인다.
• 추론: 평균 추론 및 P-불변 추론 전략은 직접 추론보다 일관되게 우수한 성능을 보인다. 이러한 개선은 상관된 노이즈 환경에서 더 두드러지며, P-불변 추론은 마스킹 구조를 존중하면서 정보를 효과적으로 집계함으로써 가장 좋은 결과를 낸다.
• 분할 밀도 (Splitting Density): 분할 수($s \in \{4, 9, 16\}$)는 상관되지 않은 노이즈에서는 성능에 미미한 영향을 미치지만, 상관된 노이즈에서는 뚜렷한 경향을 보인다. 상관된 노이즈에서는 더 적은 수의 분할(더 거친 마스킹)이 격자 및 다중 분할 전략에 약간 도움이 될 수 있는 반면, 각도 분할은 파라미터 변화에 견고함을 유지한다.

의의
본 논문은 자기 지도 학습 기반의 희소 뷰 CT 재구성 방법을 개발하기 위한 실질적인 설계 가이드라인을 제공한다. 본 연구는 많은 분할 기반 접근 방식에서 흔히 사용되는 측정값 독립성 가정이, 검출기 물리 현상으로 인해 구조화된 노이즈가 발생하는 실제 영상 환경에서는 중요한 한계가 될 수 있음을 강조한다. 각도 마스킹이 상관된 노이즈에 더 견고하며, 다중 분할 전략이 추가적인 중복성을 활용할 수 있음을 입증함으로써, 본 연구는 정답 데이터를 구할 수 없고 노이즈 구조가 복잡한 임상 및 산업 현장에서 더 신뢰할 수 있는 자기 지도 학습 재구성을 위한 경로를 제시한다. 연구 결과는 영상 시스템의 구체적인 노이즈 특성에 맞춰 분할 및 추론 전략을 선택하는 것이 필수적임을 시사한다.