FlowPET: Physics-Informed Symplectic Flow Matching for Low-Count PET Reconstruction

기술 요약: FlowPET: 저선량 PET 재구성을 위한 물리 정보 기반 심플렉틱 플로우 매칭

문제 정의
저선량 양전자 방출 단층 촬영(PET) 재구성은 높은 노이즈 수준 속에서 진단적으로 매우 중요한 약한 병변 신호를 충실하게 복원해야 하는 중대한 과제에 직면해 있습니다. 현재의 딥러닝 패러다임은 근본적인 기하학적 한계로 인해 어려움을 겪고 있습니다. 결정론적 접근 방식(예: 회귀 기반 CNN)은 "평균으로의 회귀(regression-to-the-mean)" 현상을 겪으며 고주파 질감을 과도하게 매끄럽게 만들고 미세한 병변을 억제합니다. 반대로, 확률적 생성 모델(예: 확산 모델, SDE)은 **소산적 역학(dissipative dynamics)**에 의존합니다. 이러한 모델들은 위상 공간(phase space) 내에서 엄격한 음의 발산($\nabla \cdot v < 0$)을 유도하여 부피를 지속적으로 수축시킵니다. 저선량 환경에서 이러한 수축은 무차별적으로 발생하며, 확률적 노이즈와 희소한 병리적 특징을 구분하지 못해, 일관된 구조가 형성되기도 전에 약한 병변 신호의 수치적 소멸 또는 "씻겨 나감(wash-out)" 현상을 초래합니다.

방법론
저자들은 FlowPET라는 물리 정보 기반 프레임워크를 제안하며, 이를 통해 PET 재구성을 심플렉틱 위상 공간(Symplectic Phase Space) 내에서의 부피 보존 수송 문제로 재정의합니다.

1. 심플렉틱 위상 공간 리프트(Symplectic Phase Space Lift):
   표준 이미지 매니폴드에서 작동하는 대신, FlowPET는 재구성을 확장된 위상 공간 $Z = X \times P$로 리프트합니다. 여기서 $X$는 이미지 위치를, $P$는 보조 운동량 공간을 나타냅니다. 이 역학은 **가분적 해밀토니안 시스템(Separable Hamiltonian System)**에 의해 지배됩니다:
   $$H_\theta(t, x, p; y) = U_\psi(t, x; y) + K_\phi(t, p; y)$$
   여기서 $U_\psi$는 위치에만 의존하는 퍼텐셜 항이고, $K_\phi$는 운동량에만 의존하는 운동 에너지 항입니다. 리우빌의 정리(Liouville's Theorem)에 의해, 이 구조는 발산이 없는 벡터장($\nabla \cdot v = 0$)을 보장하며, 이는 약한 신호가 차지하는 위상 공간의 부피가 인위적으로 수축되지 않고 불변임을 보장합니다.

2. 물리 정보 기반 공액 경계(Physics-Informed Conjugate Boundaries):
   노이즈 제거를 위해 수축에 의존하지 않고 역문제의 부적정성(ill-posedness)을 해결하기 위해, FlowPET는 플로(flow)의 경계 조건에 대한 범위-영공간 분해(Range-Null Space Decomposition) 전략을 도입합니다:

   • 범위 공간 운동량 ($p_0$): 소스 경계에서, 운동량은 데이터 일관성의 그래디언트(복원력)를 인코딩하도록 초기화됩니다. 이는 궤적을 측정된 사이노그램과 일치하는 솔루션 매니폴드로 끌어당깁니다.
   • 영공간 운동량 ($p_1$): 타겟 경계에서, 확률적 불확실성은 PET 연산자의 직교 영공간(orthogonal null space) 내로 엄격히 주입됩니다. 이는 관측되지 않은 하위 공간으로 고주파 질감 생성을 제한하여, 물리적 제약을 위반하는 아티팩트의 할루시네이션(hallucination)을 방지합니다.

3. 심플렉틱 플로우 매칭 및 추론(Symplectic Flow Matching & Inference):
   모델은 학습된 벡터장과 경계 상태 간의 선형 보간으로 정의된 목표 속도 사이의 회귀 손실을 최소화하는 **심플렉틱 플로우 매칭(SFM)**을 통해 훈련됩니다. 추론을 위해 저자들은 심플렉틱 리프프로그(Symplectic Leapfrog, Störmer–Verlet) 적분기를 사용합니다. 표준 솔버(예: Runge-Kutta)와 달리, 리프프로그 적분기는 수치적 소산을 도입하지 않고 단위 자코비안 행렬식(unit Jacobian determinant)을 보존하여, 주입된 영공간 불확실성의 완전한 부피 보존과 손실 없는 수송을 보장합니다.

핵심 기여

• 심플렉틱 생성 프레임워크: FlowPET는 발산이 없는 수송을 보장하기 위해 가분적 해밀토니안 역학을 활용하며, 이는 확산 모델에서 흔히 발생하는 "신호 씻겨 나감" 현상을 이론적으로 방지하여 위상 공간 부피 불변성을 유지합니다.
• 물리 정보 기반 직교성: 범위-영공간 분해 전략의 도입은 데이터 일관성을 범위 공간에서 엄격히 강제하는 동시에, 영공간 내에서 확률적 탐색을 제한함으로써 충실도(fidelity)와 다양성(diversity) 사이의 트레이드오프를 해결합니다.
• 구조 보존 추론: 심플렉틱 리프프로그 적분기의 구현은 엄격한 기하학적 보존이 최신 베이스라인보다 우수한 저대조 병변 보존 성능을 나타냄을 입증합니다.

실험 결과
FlowPET는 세 가지 데이터셋(BrainWeb 20% count, 자체 제작 소아 환자 데이터 1% count, UDPET Brain 1% count)에서 평가되었습니다.

• 정량적 성능: FlowFET는 모든 지표(SSIM, PSNR, RMSE)에서 최첨단(SOTA) 결과를 달성했습니다. 특히, 결정론적 방법과 확률적 베이스라인(예: IR-SDE, DREAM, FourierPET) 모두를 SSIM과 PSNR 측면에서 능가하면서도 더 낮은 RMSE를 유지하여, 노이즈 아티팩트 없이 우수한 질감 복구 능력을 보여주었습니다.
• 정성적 분석: 소아 환자 스캔에 대한 시각적 비교 결과, 소산적 베이스라인들은 약한 병변 영역에서 "신호 씻겨 나감" 현상을 보였습니다. 반면, FlowPET는 이러한 저대조 구조를 성공적으로 복원하여 풀 카운트(full-count) 참조 영상에 가장 가까운 구조적 충실도를 보여주었습니다.
• 신호 복구 분석: 표준 섭취 계수(SUV) 비율을 추적하는 궤적 분석을 통해, 소산적 솔버들은 조기 신호 포화 및 붕괴를 일으키는 반면, FlowPET는 지면 진리(ground truth)를 향한 지속적이고 단조로운 복구를 보여줌으로써 수치적 소멸으로부터 병변 신호 질량이 보호됨을 확인했습니다.

의의
본 논문은 FlowPET가 고노이즈 환경에서 의료 역문제를 위한 강력한 기하학적 안전장치를 제공한다고 주장합니다. 소산적 수축에서 보존적 심플렉틱 수송으로 전환함으로써, 이 방법은 약하지만 결정적인 진단 신호가 소실되는 기존 생성 모델의 실패 모드를 해결합니다. 이 연구는 해밀토니안 구조적 제약을 가하는 것이 단순한 물리 시뮬레이션 도구가 아니라, 정보 보존을 위한 필수적인 메커니즘이며, 확률 질량이 소멸되는 것이 아니라 수송되도록 보장한다는 것을 입증합니다.