Calibrated Closed-Form Uncertainty for Radiative Gaussian Splatting in Sparse-View CT

기술 요약: 희소 뷰 CT를 위한 방사형 가우시안 스플래팅의 보정된 폐쇄형 불확실성(Calibrated Closed-Form Uncertainty)

문제 정의
희소 뷰 컴퓨터 단층 촬영(Sparse-view CT)은 더 적은 X선 투영을 획득함으로써 환자의 방사선 조사량을 줄이지만, 이는 재구성된 영역의 상당 부분이 측정된 것이 아니라 보간된 결과인 일-결정적(ill-posed) 역문제 문제를 야기한다. Radiative 3D Gaussian Splatting(특히 R2-Gaussian)은 이 영역에서 빠르고 정확한 재구성을 가능하게 했으나, 기존 방식들은 단일 점 추정치만을 출력한다. 즉, 재구성된 결과가 신뢰할 수 있는 부분인지 아니면 확신 없는 추측인지 나타내는 메커니즘이 결여되어 있다. 현재 이 분야의 불확실성 정량화 노력은 제한적이다. 병행 연구(Wu et al.)는 앙상블 불일치(ensemble disagreement)를 순수하게 획득 점수(acquisition score)로만 사용하며, 이것이 재구성 오차와 대응되는지 검증하거나 복셀당 불확실성 맵을 생성하지 못한다. 또한, 가우시안 스플래팅의 불확실성 문헌은 주로 RGB 렌더링에 국한되어 있는데, 이는 비선형 알파 합성(alpha compositing)으로 인해 근사적인 분산 전파를 강제하기 때문이다. 반면, X선 이미징은 엄격하게 선형적인 투과 물리 법칙을 따르며, 이는 아직 충분히 활용되지 않은 영역이다.

방법론
저자들은 X선 렌더링의 엄격한 선형성을 활용하여 방사형 가우시안 스플래팅을 위한 정확한 폐쇄형(closed-form) 불확실성 전파를 도출하는 프레임워크를 제안한다.

1. 변분 밀도 사후 분포(Variational Density Posterior): 이 방법은 각 가우시안의 중심 밀도 $\rho_i$를 점 추정치에서 가우시안 사후 분포 $\rho_i \sim \mathcal{N}(m_i, s_i^2)$로 격상시키되, 위치와 공분산은 점 추정치로 유지한다. 이러한 "부분 베이즈(partial Bayes)" 접근 방식은 불확실성 파라미터 $s_i$가 기하학적 모호성을 흡수할 수 있게 한다.
2. 훈련 목적 함수: 모델은 밀도를 $\tilde{\rho}_i = m_i + \epsilon_i s_i$ (비음수 값으로 클램핑됨)로 샘플링하는 재매개변수화된 샘플링 전략을 사용하여 훈련된다. 손실 함수에는 광도 항(L1 + SSK), 총 변동(total variation) 정규화, 그리고 쿨백-라이블러(KL) 사전 분포가 포함된다. KL 사전 분포는 매우 중요하다. 희소 뷰 토모그래피의 영공간(null space)처럼 어떤 레이(ray)에 의해서도 제약받지 않는 가우시안의 경우, 데이터 항은 그래디언트를 제공하지 않으므로, 사전 분포는 불확실성 $s_i$를 기준값에 고정하여 모델이 "관측되지 않은 곳에서 불확실함"을 보장한다.
3. 폐쇄형 전파(Closed-Form Propagation): 투영 및 복셀화 연산의 선형성 덕분에(RGB의 비선형 알파 합성과는 대조적으로), 예측 분산은 독립 변수들의 가중 합의 분산이 된다. 이는 볼륨 공간($\sigma^2(x) = \sum g_i(x)^2 s_i^2$)과 투영 공간($\text{Var}[I_p] = \sum w_{i,p}^2 s_i^2$) 모두에 대한 정확한 폐쇄형 표현식을 제공한다.
4. 구현 효율성: 저자들은 기존의 래스터라이저(rasterizer)와 복셀라이저(voxelizer)를 수정 없이 사용하여 단 한 번의 순전파(forward pass)만으로 이 분산 맵을 계산할 수 있음을 입증한다. 가우시안 커널을 제곱하면 공분산이 절반이 된다($S_i \to S_i/\sqrt{2}$)는 항등식을 활용함으로써, 시스템은 정확한 분산을 계산한다. 이 "B2"(폐쇄형) 방식은 몬테카를로(B1) 참조 모델보다 2.5~10.4배 더 빠르지만, B1은 훈련 시 사용된 절단된 분포(truncated distribution)를 더 잘 근사하므로 캘리브레이션 평가에는 사용된다.
5. 캘리브레이션 프로토콜: 논문은 세 가지 지표인 Spearman 순위 상관관계(공간적 순서), AUSE(희소화 곡선 아래 면적), 그리고 온도 조절된 기대 캘리브레이션 오차(ECE)를 사용하는 엄격한 캘리브레이션 프로토콜을 도입한다. 과적합을 방지하기 위해 분할 홀드아웃(split-holdout) 전략을 사용하여 일부 복셀에 대해 온도 스칼라 $\tau$를 피팅한다.

주요 기여

1. 정확한 폐쇄형 불확실성: 볼륨 및 투영 공간 모두에서 방사형 가우시안에 대한 정확한 예측 분산을 단 한 번의 패스로 계산할 수 있는 유도 과정을 제시한다. 이는 X선 물리 법칙의 선형성 덕분에 가능한 것으로, RGB 렌더링에서 요구되는 근사 방식과는 차별화된다.
2. 체계적인 캘리브레이션 연구: 15개의 장면과 3가지 뷰 예산에 대해 실제 재구성 오차와 비교하여 가우시안 스플래팅 CT의 불확실성을 체계적으로 평가하였다. 이 연구는 단 한 번의 온도 조절 후에도 변분 사후 분포가 15개 장면 중 14개에서 진폭 캘리브레이션 목표(온도 조절된 ECE < 0.1)를 달성함을 보여준다.
3. 뷰 선택 메커니즘 분석: 불확실성 점수가 자유로운 기하학적 규칙보다 높은 가치를 얻는 것은 특정 영역(비등방성 콘텐츠)에서만 가능하다는 것을 밝히는 통제된 분석을 수행했다. 퇴화된 커버리지 영역에서는 휴리스틱이 단순히 커버리지 탐지기로 기능하며(기하학적 규칙으로 대체 가능), 등방성 영역에서는 뷰 선택이 낮은 이해관계의 결정이므로 어떤 후보든 최적과 거의 비슷하다.
4. 커버리지 게이트형 캘리브레이션 획득(CGCA): 모델-프리 기하학적 커버리지 게이트(퇴화된 클러스터링 방지)와 성숙도 스케줄(수렴된 모델에 대해서만 점수 부여) 및 폐쇄형 분산 점수를 결합한 획득 정책을 제안한다. 이 정책은 약 1/10의 비용으로 동시 실행 중인 휴리스틱의 획득 이득과 일치하는 성능을 보인다.

결과

• 캘리브레이션 성능: 공식 15개 장면 벤치마크에서, 변분 사후 분포는 세 가지 뷰 예산에 걸쳐 15개 장면 중 14개에서 실제 재구성 오차와 높은 Spearman 상관관계(Spearman > 0.6)를 보였다. 이 중 9개 장면은 단 한 번의 온도 조절 후 진폭 캘리브레이션 목표(온도 조절된 ECE < 0.1)를 충족했다.
• 휴리스틱과의 비교: 복셀 공간으로 이식된 딥 앙상블 기반 섭동 휴리스틱은, 적절한 ECE 점수를 가짐에도 불구하고 여러 장면에서 실제 오차와 상관관계를 맺지 못했다(일부 장면에서 순위 상관관계가 -0.08까지 하락). 이는 진폭 캘리브레이션만으로는 불충분하며, 순위 상관관계가 필수적임을 시사한다.
• 효율성: 폐쇄형(B2) 분산은 몬테카를로(B1) 참조 모델과 높은 상관관계를 보였으나(볼륨에서 Pearson 0.80–0.88, 투영에서 0.94–0.95), 훨씬 빠른 속도를 제공한다.
• 획득 정책: CGCA 평가에서, 기하학적 커버리지 게이트는 치명적인 실패(퇴화된 클러스터링)를 방지한다. 비등방성 영역(복부)에서는 불확실성 점수를 추가하는 것이 재구성 품질을 개선하지만, 등방성 영역(흉부)에서는 점수가 미미한 이점만을 제공하며, 오히려 미성숙한 모델에 점수를 매기는 비용 때문에 성능을 약간 저하시킬 수 있다.

의의 및 주장
본 논문은 캘리브레이션된 폐쇄형의 복셀당 불확실성이 단순한 뷰 선택용 프록시를 넘어, 가우시안 스플래팅 CT를 위한 일급 결과물(first-class deliverable)임을 주장한다. 저자들은 획득(acquisition)이 불확실성 신호를 사용하는 '구조적으로 관대한' 소비자로서 종종 나쁜 캘리브레이션을 가려주는 반면, 임상적 또는 다운스트림 의사결정에는 신뢰할 수 있는 복셀당 오차 국지화가 필요하다고 주장한다.

본 연구는 다음을 확립한다:

• 불확실성 정량화와 뷰 선택은 분리 가능한 제품이며, 획득에 유용한 점수가 반드시 좋은 불확실성 맵을 의미하는 것은 아니다.
• X선의 엄격한 선형성은 RGB 렌더링에서는 불가능한 정확한 불확실성 전파를 가능하게 한다.
• 원칙적인 획득 정책(CGCA)은 실패 모드를 방지하기 위해 기하학적 커버리지에 의존해야 하며, 캘리브레이션된 불확실성 점수는 실질적인 이득이 있는 경우(비등방성 콘텐츠)에만 사용해야 한다.
• 캘리브레이션된 사후 분포는 선량 적응형 중단 규칙(불확실성이 임계값 아래로 떨어질 때 중단)을 향한 방향을 제시한다. 이는 본 논문에서 실험적으로 검증된 것이 아니라 설계적 함의로 제안된 것이다.

저자들은 모든 평가가 정확한 지면 진실(ground truth)이 있는 합성 벤치마크를 사용했다는 점을 들어 일반화에 대해 신중한 태도를 유지하며, 실제 임상 데이터로의 전이가 아직 테스트되지 않았음을 언급한다. 또한, 현재의 인자 분해 평균장 사후 분포(factorized mean-field posterior)가 균형 잡힌 등방성 상태에서의 미세한 상관관계를 놓칠 수 있음을 인정하며, 이를 향후 연구 과제로 제시한다.