Physics-Informed Deep Learning Enabled Ultra-Sparse Projection Neutron Computed Tomography

기술 요약: 물리 정보 기반 딥러닝을 이용한 초희소 투영 중성자 컴퓨터 단층 촬영

문제 정의
중성자 컴퓨터 단층 촬영(NCT)은 밀도가 높은 물질 내의 가벼운 원소를 시각화하고 공학 부품의 비파괴 검사를 수행하는 데 있어 핵심적인 도구이다. 그러나 실험실용 X선 소스에 비해 중성자원의 낮은 플럭스(flux)로 인해 그 적용이 심하게 제한된다. 표준 3D NCT 스캔은 필요한 360개의 투영(projection)을 획득하기 위해 통상 1214시간이 소 времени 소요되며, 개별 노출 시간은 3080초에 달한다. 이러한 소요 시간은 동적 과정을 위한 시계열(4D) 이미징을 사실상 불가능하게 만든다. 딥러닝이 사후 처리(post-processing)에 적용되어 왔으나, 기존 방식들은 물리적으로 존재하지 않는 특징을 만들어내는 '환각(hallucination)' 현상을 유발하지 않으면서 초희소 획득(ultra-sparse acquisition) 문제를 해결하는 데 실패했다. 또한, 이전의 접근 방식들은 투영 시퀀스 전반에 걸쳐 물리적 타당성을 보장하기 위한 시간적 조건화(temporal conditioning)를 통합하지 못했다.

방법론
저자들은 초희소 각도 샘플링으로부터 고충실도 단층 투영을 재구성하도록 설계된 물리 정보 기반 딥러닝 프레임워크를 제안한다. 이 방법론의 핵심은 투영 획득 시퀀스에 직접 작용하는 시공간적 생성기-판별기(spatiotemporal generator–discriminator) 구조이다.

• 아키텍처: 모델은 시간적으로 조건화된 인코더-보틀넥-디코더 생성기를 활용한다. 이는 두 개의 주변 측정 프레임과 시간 조건($t \in [0,1]$)을 기반으로 중간 투영을 합성하기 위해 ConvLSTM 유닛을 사용한다. 보틀넥 표현은 시간적 맥락을 강제하기 위해 조건화 텐서(conditioning tensor)와 결-합된다.
• 판별기: 멀티 스케일 PatchGAN 판별기는 풀(full), 하프(half), 쿼터(quarter) 해상도에서 3-프레임 시퀀스(측정된 프레임–합성된 프레임–측정된 프레임)를 평가한다. 이 설계는 국부적인 에지와 광범위한 감쇠 패턴의 불일치를 처벌함으로써, 고립된 이미지의 실재성이 아닌 시간적 매끄러움을 장려한다.
• 훈련 전략: 시스템은 1° 간격으로 획득된 IAEA/PSI 대비 피사체(contrast phantom)의 361개 투영 데이터를 사용하여 훈련되었다. 감독 학습용 보간 쌍(supervised interpolation pairs)은 $(i, i+2 \rightarrow i+1)$ 형태로 구성되었으며, 여기서 외부 투영은 입력값 역할을 하고 중간 투영은 정답(ground truth) 역할을 한다. 모델은 적대적(adversarial), L1, SSIM 항을 결합한 손실 함수를 사용하여 훈련되었다.
• 추론: 희소 뷰(sparse-view) 추론을 위해, 훈련된 생성기는 누락된 뷰를 합성하기 위해 측정된 각도 위치 사이에서 재귀적 또는 순차적으로 적용된다. 프레임워크는 해상도 피사체, 오토바이 엔진 블록, 컴퓨터 마우스, Berea 사암을 포함한 다양한 샘 샘플을 사용하여 세 곳의 시설(BRIN, PSI, IMAT)에서 제로샷 일반화 성능을 테스트하였다.

주요 기여

1. 초희소 재구성: 프레임워크는 획득 시간의 10%만을 사용하여 투영 데이터의 90%를 성공적으로 재구성하며, 요구되는 투영 수를 360개에서 37개까지 줄인다.
2. 시간적 조건화: ConvLSTM 유닛을 통합함으로써, 모델은 명시적으로 시간적 맥락을 조건화하여 물리적으로 타당한 투영의 매니폴드(manifold)를 학습하고 환각 현상을 방지한다.
3. 정량적 타당성: 비물리적 특징을 도입할 위험이 있는 생성적 접근 방식과 달리, 이 방법은 회색조(grey-level) 측정 및 공칭/실제 비교를 통해 검증된 바와 같이 정량적 구조적 무결성을 보존한다.
4. 시설 간 일반화: 모델은 재학습 없이 다양한 빔라인 기하 구조 및 시설 간의 견고한 일반화 능력을 입증한다.

결과
프레임워크는 16비트, 1024×1024 중성자 방사선 데이터에 대해 검증되었다. 주요 성능 지표는 다음과 같다:

• 이미지 품질: 초희소 샘플링(37개 투영)으로부터의 재구성은 $41.62 \pm 2.78$ dB의 피크 신호 대 잡음비(PSNR)와 $0.9799 \pm 0.0095$의 구조적 유사도 지수(SSIM)를 달성했다.
• 물질 탐지: 6가지 물질을 포함하는 대비 피사체에서, 초희소 AI 강화 재구성은 이론적 거시적 단면적과 일치하는 물질 특이적 회색조 대비를 보존했다. 물질 분포에서 감지 가능한 환각은 관찰되지 않았다.
• 기하학적 정확도:
  • 해상도 피사체: FeAl 및 AlCu 피사체의 슬릿 두께 측정 결과, 정답과 강한 상관관계($R^2 = 0.981$ 및 $0.984$)를 보였으며 편차는 허용 범위 내에 있었다.
  • 엔진 블록: 기하학적 측정(길이, 너비, 높이)은 초희소 재구성 결과와 정답 사이에 통계적으로 유의미한 차이를 보이지 않았다.
  • 공칭/실제 비교: VG Studio Max 3.0을 사용한 분석 결과, 샘플 전체의 92% 이상의 표면이 $\pm 0.089$ mm의 공차 범위 내에 있었다. 대비 피사체는 99.9%의 영역이 공차 내에 있었으며, 더 복잡한 엔진 블록은 56.2%를 달립하였으나 특정 특징들은 완벽히 일치하였다.
• 시간 효율성: BRIN 시설에서 획득 시간이 1214시간에서 45시간으로 단축되었으며, 고플럭스 시설에서는 더 높은 속도 향상의 가능성이 있다.

의의
본 논문은 이 프레임워크가 기존에 방사광 중성자 소스에서만 가능했던 빠른 동적 과정을 연구할 수 있는 operando 연구를 가능하게 한다고 주장한다. 획득 시간을 90% 이상 줄이면서도 정량적 구조적 무결성을 유지하고 환각을 방지함으로써, 이 방법은 중성자 이미징의 주요 병목 현상인 낮은 플럭스 문제를 극복한다. 서로 다른 시설과 샘플 유형에 걸친 일반화 능력은 시간 분해 데이터가 중요한 산업 및 과학적 응용 분야를 위한 실용적이고 고속인 중성자 단층 촬영을 향한 경로를 제시한다.