기술 요약: 4D 의료 영상 보간을 위한 위상 정렬 유한 푸리에 주기적 변형 (Phase-Aligned Finite-Fourier Periodic Deformation)

1. 문제 정의

4D 의료 영상 보간은 드물게 관찰된 시점들로부터 누락된 볼륨 데이터를 복원하는 것을 목표로 하며, 이는 심장 MRI 및 흉부 CT와 같은 동적 해부학적 분석에 있어 매우 중요한 과업이다. 그러나 생리학적 움직임이 반복적이거나 준주기적인 특성을 갖는 이러한 도메인에서 기존의 보간법은 두 가지 주요 한계에 직면한다:

1. 변형 표현 (Deformation Representation): 현재의 접근 방식들은 종종 시간적 구조(예: 주기성)를 변형 표현 자체에 직접 인코딩하기보다는 외부 조건부 또는 보조 가이드로 취급한다. 이는 임의의 대상 시간에서 쿼리되었을 때 신뢰할 수 있는 연속적인 변형 과정을 학습하는 것을 어렵게 만든다.
2. 비균일 운동 (Non-Uniform Motion): 생리학적 운동은 주기 내에서 균일한 속도로 진화하지 않는다. 동일한 시간 간격이 반드시 동일한 양의 해부학적 변화를 의미하는 것은 아니다. 따라서 선형 시간(linear time)을 연속적 보간을 위한 좌표로 사용하는 것은 최선이 아니며, 이는 사이클 전반에 걸친 다양한 변형 강도를 반영하지 못해 부적절한 결과를 초-래한다.

2. 방법론

저자들은 4D 의료 영상 보간을 엔드포인트 볼륨에 조건화된 **구조화된 연속 변형 과정(structured, continuous deformation process)**을 학습하는 문제로 재정의하는 프레임워크를 제안한다. 이 방법은 세 가지 핵심 구성 요소로 이루어진다:

A. 유한 푸리에 주기적 변형 (Finite-Fourier Periodic Deformation)

중간 상태를 독립적으로 예측하는 대신, 이 방법은 운동을 위상 조건부 연속 속도장(phase-conditioned continuous velocity field) $v(x, u)$로 모델링한다. 여기서 $x$는 공간 좌표이고 $u \in [0, 1]$은 정규화된 위상 좌표이다.

• 파라미터화: 속도장은 **유한 푸리에 기저(finite Fourier basis)**를 사용하여 파라미터화된다:
  $$v(x, u) = c(x) + \sum_{n=1}^{N} [a_n(x) \cos(2\pi n u) + b_n(x) \sin(2\pi n u)]$$
  이 공식은 근사적인 주기적 운동 패턴을 변형 공간 내에 직접적으로 인코딩한다. 네트워크는 엔드포인트 쌍 $(I_s, I_e)$로부터 계수 필드 $\{c, a_n, b_n\}$를 단 한 번 예측한다.
• 정규화: 계수 필드에 주파수 인식 정규화 항(frequency-aware regularization term)을 적용하여 스펙트럼 복잡도를 제어하고 유한 차수 절단(finite-order truncation) 하에서의 안정성을 보장한다. 이 정규화 항은 고차 항에 대해 주파수의 제곱에 비례하여 패널티를 부여함으로써, 모델이 압축된 저차 표현을 통해 지배적인 운동 사이클을 포착하도록 유도한다.

B. 위상 정렬 시간 재파라미터화 (Phase-Aligned Temporal Reparameterization)

비균일한 운동 진행 문제를 해결하기 위해, 저자들은 쿼리된 물리적 시간 $t$를 잠재적 운동 위상 $u$로 매핑하는 결정론적 메커니즘을 도입한다.

• 메커니즘: 이 매핑은 학습된 변형 과정 자체로부터 도출된다. 방법론은 위상별 변형 변화 강도 $s(u)$를 정량화하고, 정규화된 위상 밀도 $\rho(u)$를 정의한다.
• 정렬: 누적 위상 척도 $\Psi(u)$가 구축되며, 쿼리된 시간은 역함수 $\tau(t) = \Psi^{-1}(t)$를 통해 정렬된 위상 좌표로 매핑된다.
• 효과: 이 재파라미터화는 변형 변화가 큰 위상(빠른 운동)에는 더 미세한 시간 해상도를 할당하고, 변화가 적은 위상에는 더 거친 해상도를 할당함으로써, 보간 단계가 물리적 시간이 아닌 실제 해부학적 변화에 맞춰 정렬되도록 한다.

C. 양방향 합성 및 정교화 (Bidirectional Synthesis and Refinement)

중간 볼륨은 학습된 속도장을 따라 양 끝단 볼륨을 대상 시간으로 이동시킴으로써 합성된다:

1. 양방향 워핑 (Bidirectional Warping): 소스 볼륨 $I_s$는 순방향으로 워핑되고, 타겟 볼륨 $I_e$는 위상 정렬된 플로우를 사용하여 대상 시간으로 역방향 워핑된다.
2. 융합 (Fusion): 두 개의 워핑된 후보군은 엔드포인트와의 근접도에 기반한 거리 인식 가중치를 사용하여 융합된다.
3. 잔차 정교화 (Residual Refinement): 경량 잔차 네트워크가 융합된 볼륨을 처리하여 변형만으로는 해결되지 않는 외관 오류를 수정한다.
4. 학습 목적 함수: 모델은 모핑 손실(워핑된 후보 검증), 사이클 일관성 손실(전체 위상 순환 시 시작점으로 복귀 보장), 정교화 손실(이미지 수준의 충실도), 그리고 스펙트럼 정규화를 결합하여 학습된다.

3. 주요 기여

본 논문은 네 가지 구체적인 기여를 명시한다:

1. 위상 구조화된 프레임워크: 위상 구조화된 연속 운동 모델링에 기반한 새로운 4D 보간 프레임워크를 제시하여, 희소한 엔드포인트로부터 임의의 쿼리 시간에서 해부학적으로 일관된 합성을 가능하게 한다.
2. 유한 푸리에 파라미터화: 반복적이거나 준주기적인 운동 구조를 변형 표현에 직접 인코딩하는 위상 조건부 속도장을 위한 유한 푸리에 파라미터화를 도입하였다.
3. 시간-위상 재파라미터화: 변형 변화 강도에 기반하여 쿼리된 시간을 운동 위상 진행에 정렬하는 메커니즘을 통해 비균일한 운동 진화를 효과적으로 포착한다.
4. 경험적 검증: ACDC(심장 MRI) 및 4D-Lung(흉부 CT) 벤치마크를 통해 제안된 방법의 성능을 종합적으로 검증하였으며, 절제 연구(ablation studies)를 통해 각 구성 요소의 독특한 기여를 입증하였다.

4. 실험 결과

제안된 방법은 VoxelMorph, TransMorph와 같은 변형 기반 방법, IFRNet, AMT와 같은 직접 합성 방법, 그리고 확산 기반(Diffusion-based) 접근법을 포함한 다양한 베이스라인을 대상으로 ACDC 및 4D-Lung 데이터셋에서 평가되었다.

• 정량적 성능: 본 방법은 두 데이터셋 모두에서 모든 지표(PSNR, NMI, SSIM)에 대해 최첨단(SOTA) 결과를 달성했다. 예를 들어, ACDC에서 PSNR 32.503 dB, SSIM 98.765를 기록하며 차순위 방법들을 앞질렀다. 4D-Lung에서는 PSNR 30.460 dB, SSIM 92.229에 도달했다.
• 정성적 개선: 시각적 비교 결과, 베이스라인들이 국소적 불일치나 불안정한 구조적 배치를 보이는 것과 달리, 제안된 방법은 얇은 해부학적 구조(예: 심장의 심실 내 저신호 구조 및 폐의 폐문 혈관 다발)를 훨씬 더 우수하게 보존함을 보여주었다.
• 절제 연구 (Ablation Studies):
  • 푸리에 차수 (Fourier Order): 성능은 중간 정도의 절단 차수($N=4$)에서 정점에 도달했으며, 이는 압축된 저차 주기적 부분 공간이 지배적인 운동 역학을 포착하기에 충분함을 확인시켜 준다.
  • 기저 비교 (Basis Comparison): 푸리에 기저는 비주기적 대안(체비쇼프 다항식, 큐빅 스플라인)보다 우수한 성능을 보였으며, 이는 주기적 귀납 편향(inductive bias)의 중요성을 입증한다.
  • 시간 재파라미터화: 시간 재파라미터화의 이점은 운동량이 큰 시나리오에서 가장 두드러졌으며, 이는 선형 시간이 운동 진행을 정확하게 근사하는 데 실패했음을 보여준다.
  • 외삽 (Extrapolation): 본 방법은 관찰된 구간 너머의 제로샷 외삽 시 베이스라인에 비해 성능 저하가 느리게 나타났으며, 이는 학습된 변형이 확장 가능한 운동 패턴을 포착하고 있음을 시사한다.

5. 의의 및 주장

저자들은 본 연구가 시간적 구조를 단순한 조건부로 취급하는 수준을 넘어, 변형 표현에 직접 주기를 인코딩하고 시간을 운동 강도에 정렬함으로써 4D 의료 영상의 중요한 격차를 해소한다고 주장한다.

이 논문은 특히 운동이 반복적이지만 비균일한 임상 적용 분야에서 이 접근 방식이 매우 가치 있음을 강조한다. 임의의 시간 지점을 연속적으로 쿼리하면서도 해부학적 일관성과 구조적 결합력을 유지할 수 있는 능력은 기존의 이산적 또는 선형 시간 기반 보간 기술에 비해 상당한 발전을 제공한다. 결과는 변형 공간에서 생리학적 운동을 명시적으로 모델링하는 것이 향리적인 연속 4D 의료 영상 분석을 위한 유망한 방향임을 시사한다.