다차원 MRI 재구성을 위한 적응형 분리형 표현 학습

본 논문은 다차원 MRI 재구성, 특히 정량적 파라미터 매핑(T1·T2)에서 발생하는 데이터 부족과 도메인 변이 문제를 해결하기 위해 새로운 네트워크 기반 이미지 표현 방식을 제안한다. 기존 딥러닝 기반 재구성 방법은 대규모 고품질 전역 데이터에 의존하거나, 특정 촬영 프로토콜에 맞춰 사전 학습된 모델을 재학습해야 하는 한계가 있다. 저자는 이러한 문제를 ‘특징 기반(feature‑based) 표현’과 ‘잠재 확산(Latent Diffusion)’을 결합한 ‘분리형(disentangled) 표현’으로 접근한다. **1. 배경 및 동기** - MRI 재구성에서 손실 함수 최소화와 데이터 일관성(DC) 제약을 동시에 만족시키는 것이 핵심이다. - 기존의 ‘언롤링(Unrolling)’ 방식은 end‑to‑end 지도 학습이 필요하고, 데이터 양이 충분치 않을 경우 일반화가 떨어진다. - ‘플러그‑인(prior) 방식’은 사전 학습된 사전을 재사용해 새로운 작업에 적용 가능하지만, 다차원(시간·대비) 이미지에서는 특성 간 상관관계를 충분히 활용하지 못한다. **2. 제안 방법 개요** - 이미지 X를 두 개의 잠재 변수 z_g(기하학)와 z_c(대비)로 분해하고, 스타일GAN‑유사 디코더 D_θ(z_g, z_c)로 복원한다. - 두 개의 인코더 E_g와 E_c가 각각 기하학과 대비 정보를 추출한다. - 이미지 전이 손실 L_t를 이용해 서로 다른 이미지의 기하학·대비 잠재를 교환해 재구성함으로써, 두 잠재가 서로 독립적으로 학습되도록 강제한다. - FiLM 레이어를 다중 해상도에 적용해 대비 잠재를 전역적인 스케일·시프트 파라미터(γ, β)로 변환, 이는 디코더의 공간 구조를 보존하면서 대비 변화를 구현한다. **3. 잠재 확산 모델** - 기하학 잠재와 대비 잠재 각각에 대해 별도의 확산 모델(ε_θ^g, ε_θ^c)을 학습한다. - 확산 모델은 시간‑조건부 UNet을 백본으로 하며, 대규모 공개 데이터(HCP, Kirby21)에서 사전 학습한다. - 학습 손실은 전통적인 확산 손실 L_LDM = E