math.utah.edu

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.02634v1math.OC

자기공명 탄성영상(MRE)에서 점탄성 조직 특성 재구성을 위한 하이브리드 CNN-수반(adjoint) 최적화 프레임워크

A hybrid CNN-adjoint optimization framework for reconstruction of viscoelastic tissue properties in magnetic resonance elastography

자기공명 탄성영상(MRE, Magnetic Resonance Elastography)은 전단파(shear wave) 전파로부터 연조직의 점탄성 특성을 정량화하는 비침습적 영상 기법이다. 측정된 변위장(displacement field)으로부터 복소값 전단 탄성률(shear modulus)을 복원하는 것은, 특히 잡음이 존재하고 경계 가진(boundary excitation)이 제한된 경우 심각하게 비정칙적인(ill-posed) 역문제로 이어진다. 본 연구에서는 수반(adjoint) 기반 최적화, 합성곱 신경망(CNN) 재구성, 그리고 두 접근법을 결합한 하이브리드 프레임워크를 조사한다. 정방향 모델(forward model)은 복소 전단 탄성률을 갖는 수정된 정상(stationary) 스토크스(Stokes) 계의 스칼라 형태를 기반으로 한다. 우리는 정방향 문제의 well-posedness, 최소화자(minimizer)의 존재성, 수반 기반 공식화에 대한 1차 최적성 조건을 확립하고, Armijo 선탐색(line search)을 적용한 비선형 켤레기울기법(conjugate-gradient method)을 구현한다. PDE 제약 최적화(PDE-constrained optimization)는 계수 재구성을 정확하게 정밀화할 수 있지만, 그 성능은 초기화(initialization)에 크게 의존한다. 이에 따라 우리는 복소값 변위 측정값을 공간적으로 변화하는 복소 전단 탄성률 필드로 매핑하여 빠르고 유의미한 초기 재구성을 제공하는 2차원 CNN을 구성한다. 제안된 하이브리드 방법은 CNN 재구성 결과를 사용하여 수반 기반 최적화를 초기화함으로써 더 빠른 수렴(convergence)과 향상된 정확도를 달성한다. CNN은 개별 섭동(perturbation)을 포함하는 계수 필드에 대해 학습되며, 개별 구성과 이전에 보지 못한 복합 구성 모두에 대해 테스트된다. 수치 실험 결과, CNN은 이러한 더 어려운 구성에도 잘 일반화되며, 이후의 PDE 제약 최적화는 재구성된 계수를 추가로 정밀화하는 것으로 나타났다. 이러한 결과는 데이터 기반 초기화와 물리 기반 최적화를 결합하는 것이 효율적이고 정확한 MRE 재구성에 지닌 잠재력을 보여준다.

arXiv:2610.01015v1math.OC

합성곱 신경망(CNN) 기반 그래디언트-프리 최적화 프레임워크를 이용한 비선형 감쇠 점성 광음향 단층촬영에서의 초기 조건 복원

Initial condition recovery in nonlinear damped viscous photoacoustic tomography using a convolutional neural network-guided gradient-free optimization framework

광음향 단층촬영(PAT)은 생체의학 영상 응용을 위해 높은 광학 대비와 높은 초음파 해상도를 결합한 하이브리드 영상화 기법이다. 본 연구에서는 비선형 음향 전파 및 점성 감쇠 효과가 존재하는 상황에서 경계 측정값으로부터 초기 압력 분포를 복원하는 역문제를 다룬다. 이러한 현상을 보다 정확하게 모델링하기 위해, 공간적으로 변화하는 음속, 시간적 감쇠, 비선형 전파 메커니즘을 포함하는 비선형 감쇠 점탄성 파동 방정식을 고려한다. 먼저 갤러킨(Galerkin) 근사와 에너지 추정, 고정점 논증을 결합하여 해당 순방향 문제의 well-posedness(해의 존재성·유일성·안정성)를 증명한다. 역문제에 대해서는, 조화 확장 축소(harmonic extension reduction), 스펙트럼 라플라스 변환 기법, 가관측성(observability) 추정을 통해 적절한 가정 하에서 존재성, 유일성, 국소 유일성 결과를 도출한다. 초기 압력장을 수치적으로 복원하기 위해, 합성곱 신경망(CNN)과 폰트랴긴 최대 원리(Pontryagin's maximum principle)에서 유도된 순차 이차 해밀토니안(sequential quadratic Hamiltonian, SQH) 기법 기반의 그래디언트-프리 최적화 전략을 결합한 하이브리드 복원 프레임워크를 개발한다. CNN은 유용한 초기 추정값을 생성하는 데 사용되며, SQH 프레임워크는 복원 과정에서 지배 편미분방정식(PDE) 동역학을 강제한다. 수치 실험을 통해 제안된 하이브리드 전략이 단독 시간 역전(time-reversal) 및 CNN 기반 접근법에 비해 복원 품질, 대비, 강건성을 크게 향상시킨다는 것을 보여준다.