TR-GS: High-Fidelity Sparse-View CT Volumetric Rendering via t-Distribution Gaussian Splatting and Ray-Confidence Modeling

의료 영상 기술은 오랫동안 선명도와 안전성 사이의 미세한 균형에 의존해 왔습니다. 인체를 절개하지 않고 내부를 보기 위해 의사들은 컴퓨터 단층 촬영, 즉 CT를 사용하는데, 이는 다양한 각도에서 촬영된 수백 장의 평면 X선 영상을 바탕으로 3차원 입체 영상을 구축합니다. 더 많은 각도를 포착할수록 최종 이미지는 더 선명해지지만, 추가되는 X선 촬영마다 환자의 방사선 노출량은 늘어납니다. 수십 년 동안의 목표는 가능한 한 적은 수의 X선 촬영으로 선명하고 사용 가능한 이미지를 얻는 것이었으며, 이는 '희소 뷰 재구성(sparse-view reconstruction)'이라 불리는 과제입니다. 너무 적은 각도를 사용할 경우, 결과물에는 흔히 줄무늬 현상이나 흐릿함이 발생하여 작은 종양을 발견하거나 정밀한 수술을 계획하는 데 어려움을 겪게 됩니다. 현대의 컴퓨터는 사진을 통해 3D 장면을 생성할 수 있지만, 이러한 기술을 의료 스캔에 적용하는 것은 까다로웠는데, 이는 자연물에 사용되는 수학적 방식이 저선량 의료 스캔에서 발견되는 불확실성과 누락된 데이터를 항상 잘 처리하지는 못하기 때문입니다.

심천 대학교(Shenzhen University)의 연구팀은 이 특정 문제를 해결하기 위해 TR-GS라고 불리는 새로운 방법을 개발했습니다. 대부분의 3D 이미징 소프트웨어가 의존하는 표준 수학적 형상 대신, 그들은 오류를 무시하는 데 본질적으로 더 뛰어난, 더 유연한 형태를 도입했습니다. 컴퓨터 그래픽의 세계에서 3D 장면은 흔히 3차원 공간에서의 픽셀 역할을 하는 수백만 개의 작고 흐릿한 타원체, 즉 타원형 구름들로 구축됩니다. 표준 방식은 매우 엄격하고 '얇은 꼬리(thin-tailed)'를 가진 형태를 사용하는데, 이는 모든 데이터가 완벽하다고 가정하고 그 데이터에 형상을 정확히 맞추려 한다는 것을 의미합니다. 데이터가 불완전하거나 노이즈가 많은 저선량 CT 스캔의 경우, 이러한 엄격한 형태는 들쭉날쭉한 아티팩트와 왜곡된 구조를 초래하며 고전하게 됩니다. 연구진은 이를 '두꺼운 꼬리(heavier tails)'를 가진 형태로 교체했는데, 이 통계적 특성은 전체적인 구조를 잃지 않으면서도 잘못된 데이터 지점을 더 너그럽게 받아들일 수 있게 해줍니다.

이 시스템을 더욱 효과적으로 만들기 위해, 연구팀은 과정에 스마트한 판단 계층을 추가했습니다. 그들은 각 작은 3D 형상이 X선 카메라로부터 얼마나 많은 정보를 받았는지 확인하는 시스템을 만들었습니다. 만약 어떤 형상이 여러 방향에서 오는 많은 X선 빔에 둘러싸여 있다면, 시스템은 이를 매우 신뢰할 수 있는 것으로 간주하고 그 형상을 정밀하게 유지합니다. 반면, X선이 거의 통과하지 않는 지점에 있는 형상의 경우, 시스템은 불확실성을 인식하고 해당 형상이 더 유연하고 견고해지도록 허용하여 가짜 세부 사항을 만들어내지 않도록 합니다. 이러한 동적 조정은 컴퓨터의 학습 과정 중에 자동으로 일어나며, 이를 통해 잘 관찰된 영역은 선명함을 유지하고, 덜 관찰된 영역은 혼란스러운 노이즈를 유발하지 않도록 보장합니다.

또한 연구진은 유연한 형상들로 인해 때때로 뭉개질 수 있는 뼈의 가장자리나 연조직의 질감 같은 해부학적 미세 구조를 보호하는 기술을 도입했습니다. 그들은 이미지를 서로 다른 세부 층으로 분리하는 수학적 도구를 사용하여, 데이터가 신뢰할 수 있는 곳에서는 높은 주파수의 날카로운 특징을 강화하는 한편, 데이터가 약한 곳에서는 무작위 노이즈를 억제하도록 했습니다. 이를 통해 최종 이미지는 적은 수의 X선을 사용함에 따라 발생하는 정적(static)을 증폭시키지 않으면서도, 진단에 필요한 선명함을 유지할 수 있습니다.

컴퓨터로 생성된 모델과 실제 환자 스캔 모두에 대해 테스트한 결과, 이 새로운 접근 방식은 기존 방식보다 현저히 선명한 이미지를 생성했습니다. 표준 스캔에 비해 매우 적은 수인 18개의 X선 뷰만을 사용한 테스트에서, 이 새로운 방법은 원본에 얼마나 근접했는지를 측정하는 지표인 선명도 점수 35.30을 기록하며 내부 구조를 재구성했습니다. 이는 줄무늬와 흐릿함이 더 많이 나타났던 기존의 가장 우수한 기술들의 점수보다 눈에 띄게 향상된 수치입니다. 또한 이 방식은 X선 데이터에 무작위 노이즈가 포함된 경우에도 더 높은 회복력을 보여주었으며, 다른 방식들이 성능이 저하되기 시작하는 지점에서도 정확성을 유지했습니다.

이러한 결과는 이 접근 방식이 더 안전한 의료 영상 기술을 향한 실행 가능한 경로를 제공함을 시사합니다. 의사들이 더 적은 횟수의 X선 촬영만으로도 고품질의 3D 뷰를 얻을 수 있게 함으로써, 이 기술은 일상적인 스캔 시 환자가 받는 방사선량을 줄이는 동시에 수술 계획 및 질병 평가에 필요한 상세한 정보를 제공할 수 있습니다. 연구진은 자신들의 코드를 공개하여, 제한된 각도에서 촬영된 스캔이나 데이터를 얻기 가장 어려운 특정 신체 부위와 같이 더 복적인 의료 시나리오에 이 원리를 적용할 수 있도록 추가적인 발전을 도모하고 있습니다.