GPU 가속 통계적 듀얼 에너지 X레이 CT 재구성을 위한 분할 기반 반복 알고리즘

본 논문은 공항 보안 검사에서 물질 식별을 위한 듀얼 에너지 CT(DECT)의 실시간 적용 가능성을 높이기 위해, 통계적 MAP 추정과 ADMM 기반 최적화 프레임워크를 활용한 새로운 알고리즘을 제시한다. 기존 DECT는 두 개의 에너지 스펙트럼으로부터 얻은 투영 데이터를 이용해 물질의 컴프턴(Compton)과 광전(PE) 계수를 동시에 복원한다. 그러나 두 물리 현상의 스케일 차이(Compton은 우세, PE는 급격히 감소) 때문에 직접적인 투영‑도메인 분해는 높은 동적 범위와 노이즈에 취약해 재구성 품질이 저하된다. **관련 연구**에서는 크게 두 갈래가 있다. 첫 번째는 CDM(Constrained Decomposition Method)과 같은 투영‑별 분해 후 FBP 재구성 방식으로, 병렬화가 쉽지만 PE 이미지에서 아티팩트가 심각하다. 두 번째는 MAP 기반 통계적 접근으로, 전역 최적화를 통해 정규화와 사전 정보를 활용하지만 비선형 최적화가 복잡하고 연산 시간이 길다. 특히, 기존 ADMM 구현에서는 비선형 분해와 선형 재구성을 하나의 서브문제로 묶어 LM·CG 결합 방식으로 해결했으며, 이는 GPU 가속에도 불구하고 병목 현상이 발생한다. **제안 방법**은 ADMM 내부에서 문제를 두 단계로 명확히 분리한다. 원래 식(4)의 비선형 MAP 목표를 보조 변수 y(TV)와 z(비음수)와 함께 제약식으로 변환한 뒤, Augmented Lagrangian을 구성한다. 기존 방식에서는 x_c와 x_p를 동시에 업데이트하는 비선형 최소화(식 7‑8)를 수행했지만, 여기서는 다음과 같이 재구성한다. 1. **재구성 서브문제**: a = e·R·x 라는 새로운 보조 변수를 도입해, 선형 최소제곱 형태(식 12)로 변환한다. 이는 대규모 희소 행렬 R에 대해 CG(Conjugate Gradient) 방법을 적용하고, shift‑invariant 특성을 이용해 ramp 프리컨디셔너를 사용해 수렴 속도를 높인다. 2. **에너지 분해 서브문제**: 각 레이마다 독립적으로 비선형 최소화(식 13)를 수행한다. 여기서는 Unconstrained Decomposition Method(UDM)을 적용하고, 비선형 최적화는 LM 알고리즘으로 해결한다. 중요한 점은 이 단계가 레이 별로 완전 병렬화 가능하다는 점이다. 이러한 분할은 두 가지 장점을 제공한다. 첫째, 각각의 서브문제에 최적화된 알고리즘을 적용해 전체 연산량을 크게 감소시킨다(표 1). 둘째, GPU 가속을 극대화한다. 재구성 단계는 Astra Toolbox를 이용해 GPU에서 forward/backward projection을 수행하고, 분해 단계는 GPUfit을 통해 레이 별 LM 연산을 병렬화한다. **실험**은 세 가지 데이터셋(합성 sim18, 실제 물병 Water, 복잡한 수하물 Clutter)에서 수행되었다. 구현은 Python 기반이며, 16‑core CPU와 Nvidia 1080Ti GPU를 사용했다. 초기값은 CDM‑FBP 결과를 컴프턴에, 스케일링된 컴프턴을 PE에 사용했다. 정규화 L2‑거리 ξ(x) = 20·log10(‖x−x*‖₂/‖x*‖₂) 로 품질을 평가했다. - **합성 데이터**: 512×512 이미지, 720각도·725레일 투영. CDM‑FBP는 PE에서 스트리킹 아티팩트가 눈에 띄었으며, UDM‑PCG는 1~2회 반복만에 ξ가 -30 dB 이하로 수렴하고, 평균 반복당 시간은 0.04 s로 LM·CG(0.12 s) 대비 3배 가량 빨랐다. - **Water 팬텀**: 실제 CT 스캐너에서 95 keV·130 keV 두 스펙트럼으로 360각도·512빈 수집. ROI(중앙 원형 물 영역)에서 ξ가 -28 dB까지 빠르게 감소했으며, 전체 실행 시간은 LM·CG 대비 55 % 절감되었다. - **Clutter 팬텀**: 금속 물체 포함으로 고대조도·고노이즈 상황. CDM‑FBP는 PE 이미지가 완전히 오버샤도되고 형태가 사라졌지만, UDM‑PCG는 금속 및 비금속 물체의 경계를 명확히 복원했다. **결론**에서는 제안된 분할 기반 ADMM이 기존 통계적 DECT 재구성에 비해 연산 효율성과 이미지 품질 모두에서 우수함을 강조한다. 향후 연구 과제로는 3‑D 볼륨 재구성, 초기화 자동화(딥러닝 기반), 다중 에너지(>2) 확장 및 실시간 시스템 통합이 제시된다.