Bridging the gap: Using deep learning to reconstruct noise-reduced super-resolved OCT images from gapped spectra

기술 요약: 딥러닝을 통한 FD-OCT의 간극이 있는 스펙트럼 문제 해결

문제 정의
푸리에 영역 광간섭 단층 촬영(FD-OCT)은 높은 축 방향 해상도와 영상 품질을 달配合하기 위해 광대역 광원을 사용한다. 그러나 이러한 광원은 비용을 크게 높이는 요인이며, 원하는 특정 파장 대역에서 가용하지 않을 수 있다. 여러 개의 저비용, 좁은 대역폭 광원을 결합하는 방식은 잠재적인 해결책을 제공하지만, 기술적 과제를 동반한다. 구체적으로, 결과 스펙트럼에 불연속성이나 중첩되지 않는 간극(gap)이 포함될 경우, 표준 처리 방식은 비가우시안(non-Gaussian) 스펙트럼 형태로 인해 저하된 영상을 생성한다. 기존 솔루션들은 대역 간의 중첩을 필요로 하거나, 계산 비용이 많이 드는 모델 기반 알고리즘에 의존하거나, 낮은 신호 대 잡음비(SNR) 시나리오에서 실패하는 경우가 많다. 또한, 이미지 도메인 생성적 적대 신경망(GAN)이 왜곡된 영상을 복원하는 데 사용되어 왔으나, 이는 이미 저하된 데이터를 대상으로 작동할 뿐, 근본적인 원인인 왜곡을 발생 단계에서 방지하지는 못한다.

방법론
저자들은 임의의 중첩되지 않는 간극이 존재하는 유연한 수의 스펙트럼 서브 밴드를 결합할 수 있도록 설계된 딥러닝 접근 방식인 **푸리에 도메인 마스크 오토인코더(FD-MAE)**를 제안한다.

• 아키텍처: 모델은 전처리 및 결합 파이프라인을 따른다. 개별 스펙트럼 밴드는 먼저 저해상도 B-스캔으로 재구성된다. 그 후, 이들은 3D 컨볼루션을 사용하여 입력 B-스캔을 유사 슬래브(pseudo-slabs)로 취급하는 신경망 백본(포화 아티팩트 제거 연구에서 변형됨)으로 입력된다. 네트워크는 단일 고해상도(super-resolved) 토모그램을 출력한다.
• 학습 전략: 이 방법은 스펙트럼 도메인의 입력 마스킹을 통한 **자기 지도 학습(self-supervised learning)**을 활용한다. 네트워크는 출력과 전체 언마스크(unmasked) 스펙트럼으로부터 유도된 정답(ground truth) B-스캔 사이의 평균 절대 오차(mean absolute error)를 최소화하도록 엔드투엔드(end-to-end)로 학습된다.
• 실험 설정: 방법론은 세 가지 데이터셋을 통해 평가되었다:
  1. 돼지 전안부(PASO): SS-OCT 데이터 (1060 nm, 75 nm 대역폭).
  2. 인간 망막: 상용 ZEISS Cirrus 5000의 SD-OCT 데이터 (840 nm, 60 nm 대역폭).
  3. 인간 각막: 고해상도 SD-OCT 데이터 (800 nm, 155 nm 대역폭).
     인접한 비중첩(25% 간극), 중간(50% 간극), 최대(75% 간극) 시나리오를 만들기 위해 k-공간에서 인터페로그램(interferogram)에 윈도잉(Hann-windowing)을 적용하여 인위적인 밴드 간극을 도입하였다.

주요 결과

• 고해상도 구현 및 세부 사항 복원: FD-MAE는 전체 대역폭에서 유도된 정답 영상과 일치하거나 이를 능가하는 품질의 B-스캔을 성공적으로 재구성했다. 이는 저해상도 입력 스캔에서는 식별할 수 없었던 미세하고 저대조인 세부 사항들(예: 각막 상피, 외경계막, 경성 삼출물)을 복원해 냈다.
• 노이즈 감소: 주목할 만한 발견은 스펙트럼 밴드 간극의 크기가 커질수록 노이즈 감소가 증가한다는 점이다. 이는 서로 분리된 입력 윈도우와 전체 대역폭 타겟 사이의 스펙클(speckle) 및 노이즈 패턴의 탈상관(decorrelation)에 기인한다. 이 방법은 클래식한 주파수 컴파운딩(frequency compounding, 평균화)보다 현저히 높은 대비-잡음비(CNR)와 신호 대 잡음비(SNR)를 달성했다. 각막 데이터셋의 경우, SNR이 입력의 약 28 dB에서 FD-MAE 출력의 약 60 dB로 향상되어 배경 노이즈를 효과적으로 억제했다.
• 에지 보존: 축 방향 해상도가 감소하는 주파수 컴파운딩과 달리, FD-MAE는 에지의 날카로움을 보존했다. 각막 표면 프로파일 분석 결과, 재구성된 반치폭(HWHM)은 참조값(16.23 µm vs. 15.7 µm)과 밀접하게 일치한 반면, 주파수 컴파운딩은 입력의 저하된 해상도를 그대로 유지했다.
• 범용성: 네트워크는 다양한 수의 입력 채널(2, 4, 8개 윈도우)과 서로 다른 간극 크기를 성공적으로 처리했다. 8개의 중첩된 윈도우 실험에서 네트워크는 픽셀 수준의 노이즈 패턴을 완전히 복구함으로써 가용한 모든 데이터 정보를 인코딩하고 재구성하는 능력을 입증했다.
• 효율성: 대규모 각막 데이터셋에서 이미지당 평균 처리 시간은 34 ms였으며, 이는 비디오 속도 처리(~29.4 B-scans/second)를 가능하게 한다.

의의 및 주장
본 논문은 FD-MAE가 이전 방법들이 요구하던 대역 중첩의 제한 없이, 여러 개의 스펙트럼적으로 분리된 저대역폭 광원을 하나의 고품질 OCT 시스템으로 통합할 수 있는 유연한 기반을 제공한다고 주장한다.

주요 기여는 다음과 같다:

1. 자기 지도 디노이징: 이 방법은 스펙트럼 간극에 의한 탈상관 덕분에 타겟의 "노이즈"가 입력의 "노이즈"와 분리되는 자기 지도 디노이징 접근법 역할을 한다. 이를 통해 쌍을 이루는 깨끗한/오염된 학습 데이터 없이도 고품질 재구성이 가능하다.
2. 클래식 방법론 대비 우월성: 이 접근법은 더 높은 SNR과 진정한 축 방향 해상도 복구를 달성하는 동시에 미세한 구조적 세부 사항을 보존함으로써 클래식한 주파수 컴파운딩보다 뛰어난 성능을 보인다.
3. 광범위한 적용성: 이 방법은 SS-OCT 및 SD-OCT 시스템 모두에 적용 가능하며, 마스크 오토인코더로서 자기 지도 학습 기반의 이미지 품질 향상을 위해 단일 획득 데이터에도 직접 적용될 수 있다.
4. 미래 잠재력: 저자들은 이 방법이 압축 센싱(compressed sensing) 응용을 용이하게 하여, 부분적인 스펙트럼만을 획득하고 사전 학습된 네트워크를 사용하여 고품질 영상을 재구성함으로써 데이터 저장 수요를 줄일 수 있다고 제안한다.

이 연구는 저렴한 좁은 대역 광원을 활용하여 고품질 OCT 이미징을 더욱 접근 가능하게 만드는 한 단계로서 제시되며, 동시에 기존의 광대역 시스템에서 자기 지도 학습 기반의 이미지 품질 향상을 위한 새로운 프레임워크를 제공한다.