딥러닝 기반 MRI 언더샘플링 패턴 최적화

본 논문은 압축감지 MRI(Compressed Sensing MRI, CS‑MRI)에서 핵심적인 두 문제, 즉 “어디서 샘플링할 것인가”(under‑sampling pattern)와 “어떻게 복원할 것인가”(reconstruction)를 동시에 해결하는 새로운 프레임워크 LOUPE(Learning‑based Optimization of the Under‑sampling PattErn)를 제안한다. 기존 연구들은 주로 재구성 알고리즘에 집중했으며, 언더샘플링 패턴은 무작위, 가변밀도, 혹은 규칙적인 스킵 라인 방식 등 경험적 방법에 의존해 왔다. 그러나 실제 k‑space의 통계적 특성은 해부학적 부위와 스캔 파라미터에 따라 크게 달라지므로, 데이터에 맞춘 최적의 패턴을 찾는 것이 필요하다. LOUPE는 전체 해상도 MRI 이미지 집합을 사전 준비하고, 각 이미지에 대해 2‑D 카르테시안 그리드 상에서 확률적 언더샘플링 마스크 P를 정의한다. 마스크는 실수 행렬 O에 시그모이드 함수를 적용해 파라미터화되며, 각 요소 Pi = σt(Oi) 로 표현된다. 여기서 t는 시그모이드의 기울기를 조절하는 하이퍼파라미터이다. 마스크의 평균값 제약 ‖P‖₁/d = α 를 통해 원하는 샘플링 비율(가속률 R = 1/α)을 직접 지정한다. 이 제약은 정규화 항이 아닌 하드 제약으로 구현돼, 별도의 파라미터 튜닝 없이 정확한 가속률을 보장한다. 학습 과정에서는 마스크의 이산 실현 M을 Bernoulli( Pi ) 로 샘플링하고, 이를 대각 행렬 diag(M) 로 변환해 k‑space 데이터에 적용한다. 이후 역푸리에 변환(FH) 을 수행해 이미지 도메인으로 복원하고, U‑Net 기반의 안티앨리어싱 네트워크 Aθ에 입력한다. Aθ는 복원된 이미지와 원본 이미지 사이의 L2 손실을 최소화하도록 학습된다. 기대값을 근사하기 위해 K=4개의 마스크 샘플을 사용해 몬테카를로 평균을 취한다. 또한, VAE와 유사한 re‑parameterization trick을 활용해 마스크 샘플링 과정을 미분 가능하게 만든다. 실험에서는 공개된 대규모 무릎 MRI 데이터셋(Knee‑MRI)과 뇌 MRI 데이터셋을 사용해 LOUPE의 성능을 평가했다. 비교 대상은 Random Uniform, Variable Density, Equi‑spaced Cartesian 등 전통적인 패턴이며, 재구성 방법으로는 U‑Net, ADMM‑Net, GAN‑based 모델 등을 적용했다. 결과는 다음과 같다. 첫째, 동일 가속률(예: 8배)에서 LOUPE가 학습한 마스크는 PSNR과 SSIM 모두에서 기존 패턴보다 현저히 높은 점수를 기록했다. 둘째, 무릎과 뇌 데이터에 대해 학습된 마스크는 형태가 크게 달라, 데이터 의존성이 강함을 확인했다. 셋째, LOUPE가 학습한 마스크를 다른 복원 네트워크에 그대로 적용해도 성능 저하가 거의 없으며, 오히려 전반적인 재구성 품질을 향상시켰다. 넷째, 하드 제약을 통한 sparsity 제어가 기존의 정규화 기반 접근법보다 학습 안정성과 속도 면에서 우수했다. 또한, 저자는 LOUPE가 기존의 이중 최적화(패턴 최적화와 복원 최적화를 별도로 수행) 방식보다 계산 효율성이 뛰어나며, 대규모 전체 해상도 데이터에 대해서도 실시간에 가까운 학습이 가능함을 강조한다. 코드와 학습된 모델은 GitHub(https://github.com/cagladbahadir/LOUPE/)에 공개돼 재현 가능성을 높였다. 결론적으로, LOUPE는 언더샘플링 패턴 설계와 이미지 복원을 하나의 통합 딥러닝 프레임워크로 구현함으로써, 데이터 특성에 최적화된 샘플링 전략을 자동으로 도출하고, 다양한 재구성 알고리즘과 호환 가능한 범용성을 제공한다. 이는 MRI 스캔 시간 단축과 이미지 품질 유지라는 임상적 요구를 동시에 만족시키는 중요한 진전으로 평가된다.